DYMAG：基于动力系统波形重新思考消息传递
机器学习
2025-05-28 v5 信号处理
机器学习
摘要
我们提出DYMAG，一种基于新颖消息聚合形式的图神经网络。标准消息传递神经网络通常通过均值聚合来汇聚局部邻居，可被视为与简单矩形波形做卷积，该波形仅在每个顶点的1跳邻居上非零。在此，我们超越此类局部平均。我们将节点特征与利用热方程、波动方程及Sprott模型（混沌动力学的一例）等动力学生成的更复杂波形进行卷积。此外，我们在不同时间点截取这些动力学的快照，以在多个有效尺度上创建波形。理论上，我们证明这些动态波形即便在无特征情况下也能捕获图的显著信息，包括连通分量、连通性与环结构。在实证上，我们在真实与合成基准上测试DYMAG，确立其在图持续性恢复、随机图参数生成以及蛋白质、分子与材料性质预测上优于基线模型。我们的代码见 https://github.com/KrishnaswamyLab/DYMAG。
引用
@article{arxiv.2309.09924,
title = {DYMAG: Rethinking Message Passing Using Dynamical-systems-based Waveforms},
author = {Dhananjay Bhaskar and Xingzhi Sun and Yanlei Zhang and Charles Xu and Arman Afrasiyabi and Siddharth Viswanath and Oluwadamilola Fasina and Maximilian Nickel and Guy Wolf and Michael Perlmutter and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2309.09924},
year = {2025}
}