超越消息传递：神经图形模式机器

图学习任务往往依赖于识别关键子结构模式——如社交网络中的三角闭合或分子图中的苯环——以支撑下游性能。然而，大多数现有图神经网络（GNN）依赖消息传递机制，该机制迭代聚合局部邻域信息，难以显式捕获此类基本图案，如三角形、k 完全子图和环形结构。这一局限削弱了模型的表达性和长程依赖建模能力。本文引入了神经图形模式机器（GPM），一种新型框架，绕过消息传递，直接从图子结构中学习。GPM 高效提取、编码和优先级排序任务相关图模式，具备更大的表达性并提升捕获长程依赖的能力。跨四项标准任务（节点分类、链接预测、图分类和图回归）的实证评估表明，GPM 超越了最先进的基线方法。进一步分析显示，GPM 在零样本分布外推方面表现出强劲的鲁棒性，具备理想的可扩展性和增强的可解释性。代码和数据集已公开于 https://github.com/Zehong-Wang/GPM。