LEAP：基于局部 ECT 的可学习图位置编码

图神经网络（GNN）主要依赖消息传递范式，节点迭代地聚合来自其邻居的信息。然而，标准的消息传递神经网络（MPNN）面临着众所周知的理论和实际局限性。图位置编码（positional encoding, PE）已成为缓解这些局限性的有前景的方向。Euler 特征变换（ECT）是一种可高效计算的几何-拓扑不变量，能够表征形状和图。本文结合 ECT 的可微分近似（DECT）及其局部变体 ($\ell$-ECT)，提出 LEAP，一种新的端到端可训练的局部结构图位置编码。我们在多个真实数据集上评估了该方法，以及一个旨在测试其提取拓扑特征能力的合成任务。我们的结果凸显了 LEAP 基编码在图表示学习管道中作为强大组件的潜力。