Weisfeiler 和 Lehman 走向胞腔：CW 网络

图神经网络（GNNs）的表达能力有限，难以处理长程交互，且缺乏建模高阶结构的原则性方法。这些问题可归因于计算图与输入图结构之间的强耦合。最近提出的消息传递单纯形网络通过在图的团复形上执行消息传递，自然地解耦了这些要素。然而，这些模型可能受到单纯形复形（SCs）刚性组合结构的严重制约。在这项工作中，我们将近期关于 SCs 的理论结果推广到正则胞腔复形——一种灵活包含 SCs 和图的拓扑对象。我们表明，这一推广提供了一组强大的图“提升”变换，每种变换都对应一种独特的分层消息传递过程。由此得到的方法我们统称为 CW 网络（CWNs），其严格强于 WL 检验，且不强于 3-WL 检验。特别地，我们展示了其中一种基于环的 scheme 在应用于分子图问题时的有效性。所提出的架构具有可证明地大于常用 GNNs 的表达能力、对高阶信号的原则性建模以及压缩节点间距离的优势。我们证明了我们的模型在多种分子数据集上取得了最先进的结果。