观点：消息传递与谱 GNN 是同一硬币的两面
机器学习
2026-02-11 v1
摘要
图神经网络 (GNN) 通常被划分为消息传递神经网络 (MPNN) 和谱图神经网络，这反映了机器学习和信号处理领域中 largely 独立的两个研究传统。本文认为，这种划分大多是人为的，阻碍了该领域的进步。我们提出了一种观点，将 MPNN 和谱 GNN 理解为作用于图信号上的置换等变算子的不同参数化方式。在此视角下，许多流行的架构在表达力上是等价的，只有在特定情境下才会出现真正的差距。我们进一步认为，MPNN 和谱 GNN 提供了互补的优势。也就是说，MPNN 利用逻辑和图同构研究中的工具，为离散结构和可表达性分析提供了自然语言；而谱视角则为理解平滑性、瓶颈、稳定性和社区结构提供了原则性工具。总体而言，我们认为，进一步明确这两种 GNN 之间的关键相似性和差异，并致力于在统一的理论和概念框架内整合这两种视角，而不是将其视为竞争范式，将加速图学习领域的进展。
引用
@article{arxiv.2602.10031,
title = {Position: Message-passing and spectral GNNs are two sides of the same coin},
author = {Antonis Vasileiou and Juan Cervino and Pascal Frossard and Charilaos I. Kanatsoulis and Christopher Morris and Michael T. Schaub and Pierre Vandergheynst and Zhiyang Wang and Guy Wolf and Ron Levie},
journal= {arXiv preprint arXiv:2602.10031},
year = {2026}
}