通过图线性变换聚合直接与间接邻居

图神经网络 (GNN) 通常依赖于局部消息传递，需增加深度才能捕获长程依赖。本文引入图线性变换 (Graph Linear Transformations)，这是一种实现图上直接和间接特征混合的线性变换，通过从图结构中派生的单一、明确定义的线性算子实现。通过将图解释为步行可求和的高斯图模型，我们通过高斯信念传播计算这些变换，使每个节点能够在无需显式枚举多跳路径的情况下聚合来自直接和间接邻居的信息。我们表明，不同构造的底层精度矩阵会引起distinct且可解释的传播偏差，范围从选择性边缘级交互到均匀结构平滑，并且图线性变换在 homophilic 和 heterophilic 基准数据集上能够实现与局部消息传递 GNN 和动态邻域聚合模型相当或优于表现。