有向图上的状态空间模型

有向图在诸多领域都十分常见，边的方向性编码了关键因果依赖关系。然而，现有的GNN和图Transformer为有向图量身定制面临两个主要挑战：（1）有效捕获由有向边派生的长程因果依赖；（2）在处理大规模图数据集时，在准确性和训练效率之间进行权衡。近年来，状态空间模型（SSM）在因果序列任务中取得了显著进展，其为图设计的变体在各种图学习基准测试中实现了领先的准确性，同时保持了高效能。然而，现有的图状态空间模型仅适用于无向图，这限制了其在有向图学习中的性能。为此，我们提出了一种创新方法DirEgo2Token，通过k跳ego图对有向图进行序列化。这标志着状态空间模型首次系统性地扩展到有向图学习领域。基于此，我们开发了DirGraphSSM，这是一个在有向图上实现状态空间模型的新型有向图神经网络架构，通过消息传递机制实现。实验结果表明，DirGraphSSM在三个具有代表性的有向图学习任务上实现了领先的性能，同时在两个额外的任务上以1.5倍到2倍的训练速度优势获得了具竞争力的性能。