沿边传递: 面向可扩展且具表达力的图神经网络
机器学习
2026-02-03 v2 人工智能
摘要
图神经网络(GNNs)在图学习中广泛应用，大多数架构通过在顶点之间传递消息来进行信息传播。在本工作中，我们将注意力转向执行边缘消息传递的GNN，介绍了基于边的1WL测试(EB-1WL)，以及相应的架构EB-GNN。我们的EB-GNN架构灵感来自Chiba和Nishizeki的经典三角计数算法，并在边和三角形上传递消息。我们的贡献如下：(1)在理论方面，我们证明EB-1WL显著比1WL更具表达力。我们提供了EB-1WL在第一阶逻辑中的完整逻辑表征，以及通过同构计数的可区分性结果。迄今为止，EB-GNN在文献中具有最强的边缘消息传递GNN的理论表达力保证。(2)与许多比1WL更具表达力的GNN架构不同，我们证明EB-1WL和EB-GNN在实际图学习工作负载上具有接近线性的时间和内存使用。(3)我们在实验中表明EB-GNN是一个高效的通用架构：它在计算成本显著降低的情况下，显著优于简单MPNN，并在 substantially低的计算成本下，与任务专用的最先进GNN保持竞争力。
引用
@article{arxiv.2510.13615,
title = {Message Passing on the Edge: Towards Scalable and Expressive GNNs},
author = {Pablo Barceló and Fabian Jogl and Alexander Kozachinskiy and Matthias Lanzinger and Stefan Neumann and Cristóbal Rojas},
journal= {arXiv preprint arXiv:2510.13615},
year = {2026}
}