Dirac--Bianconi 图神经网络 —— 实现非扩散的长程图预测
机器学习
2026-05-06 v1
摘要
图的几何被编码在图上的动力学过程中。在图神经网络 (Graph Neural Network, GNN) 架构中，许多结构受动力学系统的启发，通常基于图的 Laplacian。我们引入基于 Bianconi 最近提出的拓扑 Dirac 方程的 Dirac--Bianconi 图神经网络 (DBGNNs)。基于图的 Laplacian，我们展示，DBGNNs 以根本不同于常规消息传递神经网络 (MPNN) 的方式探索图的几何。虽然常规 MPNNs以类似热方程的方式扩散特征，但 DBGNNs 允许进行相干的长程传播。实验结果表明，DBGNNs 在电网稳定性和肽性质的长程预测方面优于现有常规 MPNNs。该研究突显了 DBGNNs 在捕获复杂图动力学方面的有效性，为 GNN 架构提供了显著的进展。
引用
@article{arxiv.2407.12419,
title = {Dirac--Bianconi Graph Neural Networks -- Enabling Non-Diffusive Long-Range Graph Predictions},
author = {Christian Nauck and Rohan Gorantla and Michael Lindner and Konstantin Schürholt and Antonia S. J. S. Mey and Frank Hellmann},
journal= {arXiv preprint arXiv:2407.12419},
year = {2026}
}
备注
14 pages, 7 figures