arXiv 论文提出 MGP：将消息传递嵌入图过滤过程
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇提交至 arXiv 的论文提出 Message-Passing Graph Persistence（MGP），把消息传递机制嵌入图的过滤过程，使每个过滤步骤中的节点嵌入随当前子图更新，并与持续同调事件关联；这些嵌入同时决定持续同调计算中连通分量的代表元。作者证明 MGP 在图同构下不变，且严格强于它所扩展的基于持续同调的描述子。在表达能力基准及多个图分类、回归数据集上，MGP 在多数数据集上优于其他基于持续同调的描述子。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
消息传递图神经网络的表达能力受一维 Weisfeiler-Leman 测试限制。持续同调能提供拓扑描述子来补充 GNN 的表示，但已有做法通常把持续同调的计算与表示学习分开进行，两段流程彼此独立。论文针对这一分离提出改进方向，把消息传递直接放进图过滤的构造里，让拓扑描述子本身携带学习到的节点表示信息。
MGP 的做法
MGP 是一族拓扑描述子。它在每个过滤步骤中，用当前子图更新节点嵌入，并把这些嵌入与持续同调事件对应起来；在持续同调计算过程中，连通分量的代表元也由这些嵌入决定。这样，过滤、表示更新与拓扑事件三者被放在同一流程内，而不是先算拓扑、再学表示。论文给出两项理论结论：MGP 在图同构下保持不变，并且严格强于它所扩展的基于持续同调的描述子。
实验与结果
作者在表达能力基准以及若干图分类、回归数据集上评估 MGP。结果显示，在多数这类数据集上，MGP 的表现优于其他基于持续同调的描述子。材料未给出具体数据集名称、提升幅度或参数量等细节，因此无法进一步判断优势大小与适用范围。
为什么值得看
关注 GNN 表达能力上限的研究者，可看它如何把拓扑描述子与表示学习合并到同一流程。
论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。