研究人员开发了ShareGNNs，一种新颖的消息传递神经网络（MPNNs）方法，增强了其捕获图结构数据中结构模式的能力。该方法将图结构直接纳入权重共享，通过用户选择的图不变式对权重进行索引。这使得在结构等价的子图之间进行系统性重用，从而对模型复杂度进行显式控制，并提高超越标准MPNNs的表达能力。实验表明，在包括子图计数在内的各种任务上持续改进，并证明了其在大规模数据集上的可扩展性。 AI
影响 引入了一种新颖的图表示学习方法，可能提高结构化数据任务的性能。
排序理由 该集群包含一篇详细介绍新模型架构和方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.25750v1 Announce Type: new Abstract: Message-passing neural networks (MPNNs) are a powerful framework for learning representations of graph-structured domains. However, weights in MPNNs act on features only, limiting their ability to capture structural patterns. We int…
Message-passing neural networks (MPNNs) are a powerful framework for learning representations of graph-structured domains. However, weights in MPNNs act on features only, limiting their ability to capture structural patterns. We introduce a novel structure-aware weight sharing pr…