Relating-Up：通过跨图关系推进图神经网络

图神经网络（GNNs）在学习图结构数据方面表现出色，尤其在理解单个图内部关系方面，即内部图关系。尽管如此，GNNs因忽视跨图关系的上下文，即外部图关系而受到限制。鉴于扩展这一能力的潜在， 我们引入Relating-Up，一个即插即用的模块，通过利用跨图关系来增强GNNs。该模块包含一个关系感知编码器和反馈训练策略。前者使GNNs能够捕获跨图的关系，通过集体上下文丰富关系感知图表示。后者利用反馈循环机制，对这些表示进行递归细化，利用来自细化外部图动力学的见解进行反馈。这两种创新之间的协同作用产生了一个稳健且多功能的模块。Relating-Up增强了GNNs的表达能力，使其能够更精确地封装更广泛的图关系。我们在16个基准数据集上的评估表明，将Relating-Up集成到GNN架构中可显著提高性能，将Relating-Up定位为图表示学习广泛任务的强大选择。