论文探讨图神经网络中边嵌入价值的特征化

图神经网络（GNN）是解决定义在图上机器学习问题的主导方法。尽管近年来有大量理论和实证工作，但我们对 GNNN 架构设计细粒度方面的理解仍显不足。在本文中，我们关注那些维护和更新边嵌入的架构优势。在理论层面，基于对模型中图层的合适计算抽象以及嵌入内存限制，我们展示了在图模型上存在自然任务，其中利用边嵌入的架构可以显著更浅层。我们的技术灵感来自理论计算机科学中的时间-空间复杂度权衡结果。在实证方面，我们展示了维护边嵌入的架构几乎总能在其基于节点的对手上取得提升——在拥有“枢纽”节点的拓扑结构中，这种提升经常是显著的。