消息绕行：一种简单而有效的用于表达性图学习的循环表示

图学习在生物信息学、社交网络和化学领域至关重要。尽管高阶图元（如循环）对于实现节点分类、边预测和图识别的信息性图表示至关重要，但建模高阶拓扑特征带来了显著的计算挑战，限制了其在机器学习中的广泛应用。为了解决这一限制，我们引入了“消息绕行”的概念，以分层方式表征整个图中的循环表示，该概念利用了与每个图节点相关的一系列局部拓扑中最短路径和最长路径之间的对比。从我们的消息绕行景观导出的拓扑特征表示表现出与高阶Weisfeiler-Lehman（WL）测试相当的表达能力，但计算需求少得多。除了与图核和消息传递神经网络的集成之外，我们还提出了一种新颖的消息绕行神经网络，它使用Transformer骨干网络来整合跨节点和边的循环表示。除了理论结果外，在表达性、图分类和节点分类上的实验结果表明，消息绕行在各种基准数据集上可以显著优于当前的对等方法。