从消息传递到线性化图序列模型
机器学习
2026-05-13 v1
摘要
基于消息传递的方法构成了图结构数据上大多数学习架构的默认主干。然而，现代深度学习架构在其他领域，特别是序列建模方面的快速进展，引发了图学习如何受益于这些进展的问题。我们引入线性化图序列模型（Linearized Graph Sequence Models），一种将消息传递图计算从序列建模视角重新诠释的框架，以简化架构选择。我们的 метод系统地将计算处理深度与信息传播深度分离，使核心图架构决策可作为序列建模选择来处理。具体而言，我们在实证和理论层面分析，哪些序列属性使方法对学习和保持图归纳偏置有效。特别是，我们验证了这些发现，在图中处理长程信息任务方面实现了改进性能。我们的发现提供了一种原则性方法，将现代序列建模进展集成到基于消息传递的图学习中。除此之外，我们的工作表明，处理深度与信息深度的分离可以将核心架构问题重新诠释为输入建模选择。
引用
@article{arxiv.2605.12358,
title = {From Message-Passing to Linearized Graph Sequence Models},
author = {Joël Mathys and Basil Rohner and Saku Peltonen and Roger Wattenhofer},
journal= {arXiv preprint arXiv:2605.12358},
year = {2026}
}