通过虚拟节点实现概率图重连

消息传递图神经网络已成为基于图的机器学习的一种强大范式。尽管有效，MPNN仍面临欠达和过压缩等挑战，其中有限的感受野和结构瓶颈阻碍了图中的信息流动。虽然图变换器有望解决这些问题，但其可扩展性受限于节点数量的二次复杂度，使其在较大图上不实用。在此，我们提出隐式重连消息传递神经网络，一种将隐式概率图重连集成到MPNN中的新颖方法。通过以可微分的端到端方式引入少量虚拟节点（即向给定图添加额外节点并将其连接到现有节点），IPR-MPNN实现了长距离消息传播，同时避免了二次复杂度。理论上，我们证明了IPR-MPNN超越了传统MPNN的表达能力。实验上，我们通过展示其缓解欠达和过压缩效应的能力验证了我们的方法，在多个图数据集上取得了最先进的性能。值得注意的是，IPR-MPNN在保持显著更快计算效率的同时，优于图变换器。