【NeurIPS2020提交论文】建立具有消息传递的等变图神经网络

消息传递被证明是一种设计图神经网络的有效方法，因为它能够利用排列等方差和对学习局部结构的归纳偏差来实现良好的泛化。然而，当前的消息传递体系结构的表达能力有限，无法学习图的基本拓扑性质。我们解决了这个问题，并提出了一个新的消息传递框架，它是强大的同时保持置换等方差。具体来说，我们以单热点编码的形式传播惟一的节点标识符，以便了解每个节点的本地上下文。我们证明了我们的模型在极限情况下是通用的，同时也是等变的。通过实验，我们发现我们的模型在预测各种图的拓扑性质方面具有优势，为新型的、功能强大的等变和计算效率的结构开辟了道路。