无需图转换器：基于分形节点的高效长程消息传递MPNN
机器学习
2025-11-18 v1 人工智能
摘要
图神经网络 (Graph Neural Networks, GNNs) 已成为处理图结构数据的数据学习工具，但常常难以平衡局部与全局信息。虽然图转换器旨在通过启用长程相互作用来解决此问题，但常常忽视消息传递神经网络 (Message Passing Neural Networks, MPNNs) 的固有局部性和效率。我们提出了一种称为分形节点的新概念，灵感来自于真实网络中观察到的分形结构。我们的做法基于这样一种直觉：图分区自然诱导出分形结构，其中子图往往反映整个图的连通性模式。分形节点被设计为与原始节点共存，并自适应地聚合子图级别的特征表示，从而在每个子图内部强制特征相似性。我们表明，分形节点通过提供直接的快捷连接来缓解过度压扁问题，从而实现子图级别表征的长程传播。实验结果表明，我们的方法提高了MPNN的表达能力，在保持MPNN计算效率的同时，实现了与图转换器相当或更好的性能，通过改进MPNN的长程依赖性。
引用
@article{arxiv.2511.13010,
title = {Are Graph Transformers Necessary? Efficient Long-Range Message Passing with Fractal Nodes in MPNNs},
author = {Jeongwhan Choi and Seungjun Park and Sumin Park and Sung-Bae Cho and Noseong Park},
journal= {arXiv preprint arXiv:2511.13010},
year = {2025}
}
备注
Accepted in AAAI 2026 for Oral Representation. This is the extended version including the appendix