表达力理论所忽视的：图神经网络的消息传递复杂度
机器学习
2025-10-23 v2
摘要
表达力理论，即刻画图神经网络（GNN）能区分哪些图的理论，已成为分析 GNN 的主要框架，新模型不断追求更高的表达力。然而，我们认为这种关注点是错误的：首先，对大多数现实世界任务而言，更高的表达力并非必要，因为这些任务很少需要超越基本 WL 测试的表达力。其次，表达力理论的二元刻画和理想化假设未能反映 GNN 的实际能力。为克服这些局限，我们提出消息传递复杂度（MPC）：一种连续度量，用于量化给定 GNN 架构通过消息传递解决特定任务的难度。MPC 捕捉了如过度压缩等实际限制，同时保留了表达力理论中的理论不可能性结果，有效缩小了理论与实践之间的差距。通过在基础 GNN 任务上的广泛验证，我们表明 MPC 的理论预测与经验性能相关，成功解释了架构的成功与失败。因此，MPC 超越了表达力理论，为理解和改进 GNN 架构提供了一个更强大、更细致的框架。
引用
@article{arxiv.2509.01254,
title = {What Expressivity Theory Misses: Message Passing Complexity for GNNs},
author = {Niklas Kemper and Tom Wollschläger and Stephan Günnemann},
journal= {arXiv preprint arXiv:2509.01254},
year = {2025}
}
备注
NeurIPS 2025, Spotlight