【牛津大学Michael Bronstein教授】超越Weisfeiler-Lehman和普通信息传递的图神经网络，Graph Neural Networks beyond Weisfeiler-Lehman and vanilla Message Passing

多年来，消息传递范式一直是图上深度学习的“战马”，使图神经网络在从粒子物理到蛋白质设计的广泛应用中取得了巨大成功。从理论角度来看，它建立了与Weisfeiler-Lehman层次结构的联系，从而可以分析GNN的表达能力。我认为，当前图形深度学习方案的“节点和边缘为中心”的思维模式带来了不可逾越的限制，阻碍了该领域未来的发展。作为另一种选择，我提出了受物理启发的“连续”学习模型，它从微分几何、代数拓扑和微分方程领域中开辟了一个新的工具库，到目前为止在图ML中还没有探索。