基于不变性原理的消息传递权重共享
机器学习
2026-05-26 v1
摘要
消息传递神经网络（MPNN）是学习图结构域表征的强大框架。然而，MPNN 中的权重仅作用于特征，限制了其捕捉结构模式的能力。我们引入一种新颖的结构感知权重共享原则，显式地融合图结构固有的信息。权重直接以用户选择的图不变式（即在节点置换下保持不变的函数）为索引，实现在结构等价子图上的系统性权重复用。我们提出了 ShareGNNs，將此原则在简单的编码器-解码器架构中实现，形成一个具备可学习邻接关系和类 Transformer 连接性的 MPNN。我们表明，其表达能力至少与所选不变式的判别能力相当，可对模型复杂度进行显式控制。在合成数据、真实数据以及子图计数任务上的实验表明，ShareGNNs 相对于标准 MPNN 持续实现改进，超越 1-WL 测试的竞争表达能力，并可扩展至大规模数据集。
引用
@article{arxiv.2605.25750,
title = {Invariant-Based Weight Sharing for Message Passing},
author = {Florian Seiffarth},
journal= {arXiv preprint arXiv:2605.25750},
year = {2026}
}
备注
13 pages main paper + 30 pages references and appendix