图机器学习与分子分析，NUS- Xavier Bresson教授讲解,附视频与Slides

图神经网络(GNN)在图表示学习领域显示出了巨大的潜力。标准gnn定义了一种本地消息传递机制，通过堆叠多个层在整个图域传播信息。这种范式有两个主要限制，过度压缩和较差的长程依赖性，可以使用全局注意力来解决，但会显著增加二次复杂度的计算成本。本文提出一种替代方法，通过利用计算机视觉中引入的ViT/MLP-Mixer架构来克服这些结构限制。本文提出一类新的GNN，称为Graph MLP-Mixer，具有三个关键属性。首先，它们捕获了长程依赖关系，如长程LRGB数据集上所示，并缓解了treenneighbors数据集上的过度压缩问题。其次，它们提供了内存和速度效率，超过了相关技术。第三，它们在图同构方面表现出了较高的表达能力，可以区分至少3-WL的同构图。因此，这种新架构为分子数据集提供了比标准消息传递GNN更好的结果。