MPNNs
PulseAugur coverage of MPNNs — every cluster mentioning MPNNs across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架详细说明了图神经网络可以学习的算法
研究人员开发了一个理论框架，用于理解图神经网络（GNN）在学习离散算法方面的能力。该框架确立了GNN，特别是消息传递神经网络（MPNN），可以从小型训练集中学习算法并泛化到更大输入的条件。研究确定了单源最短路径和最小生成树等算法可被MPNN学习，同时也证明了标准MPNN无法学习某些其他算法任务。该工作进一步提出了更具表现力的MPNN类架构来克服这些限制，并改进了Bellman-Ford算法的分析，减少了所需的训练数据。
-
新论文详述图神经网络（GNNs）中的过压问题
本文全面概述了图神经网络（GNNs）中的过压问题，这是一个在需要图节点之间长距离依赖时限制准确性的挑战。作者对现有的缓解该问题的方法进行了分类，并讨论了其与表达能力和过平滑（over-smoothing）的关系。该研究还概述了验证这些缓解技术有效性的方法，并指出了未来研究的开放性问题。
-
新研究探索更快的GNN和统一理论 · 跟踪2篇论文
两篇最新的arXiv论文探讨了图神经网络（GNN）的进展。第一篇论文介绍了GNN的早期退出策略，以在不显著牺牲预测质量的情况下提高推理速度，并在HeaRT基准上进行了演示。第二篇论文提出了一个更统一的GNN理论框架，认为当前谱图神经网络和消息传递图神经网络之间的划分过于局限，更广阔的视角可以加速图学习的进展。
-
链式GNN提升图对齐精度
研究人员开发了一种新颖的图神经网络（GNN）链式程序，以改进组合图对齐。该方法涉及一系列2-FWL GNN，其中每个网络都使用来自前一个网络的反馈进行训练，并结合离散的组合信息。该方法在合成和真实世界的图对齐任务中，尤其是在嘈杂或退化条件下，显著优于现有的GNN方法和经典基线。
-
分子MPNN：消息构建驱动性能，而非更新复杂度
一项新的基准测试研究分析了分子消息传递神经网络（MPNN）的性能驱动因素。该研究将MPNN架构分解为三个关键算子家族：消息种子初始化、节点-边融合和节点更新。在十个MoleculeNet数据集上，研究发现消息构建，特别是初始化和融合，对性能的影响比更新复杂度更大。这项工作通过关注化学信息如何整合到消息传递管道中，为开发更有效的分子MPNN提供了设计启发。