论文页 - 通过通用层方程统一图神经网络

来源：https://huggingface.co/papers/2608.16097 作者：

,

,

,

,

,

,

,

,

,

,

摘要

一个统一的层方程将图神经网络分解为七个组件，用于比较架构、推导理论界，并揭示与过平滑和表达能力相关的设计选择。

图神经网络（https://huggingface.co/papers?q=Graph%20neural%20networks）通常通过特定族的方程来描述，其表示法模糊了共享计算和结构差异。我们引入了一个通用层方程，通过七个组件来表示所涵盖的架构：更新域、通道集、传播库（https://huggingface.co/papers?q=propagation%20bank）、每通道消息映射（https://huggingface.co/papers?q=message%20maps）、通道融合算子、自我/残差映射以及更新映射。核心分解将信息移动的位置（由传播库编码）与移动的内容（由消息映射编码）分离开来。函数值的填充将同一方程扩展到局部消息传递、注意力、谱滤波（https://huggingface.co/papers?q=spectral%20filtering）、全局通信（https://huggingface.co/papers?q=global%20communication）、关系特定通道（https://huggingface.co/papers?q=relation-specific%20channels）、高阶域（https://huggingface.co/papers?q=higher-order%20domains）和几何消息（https://huggingface.co/papers?q=geometric%20messages）。我们通过典型层的规约示例和涵盖七个非互斥架构族的组件分配，使这种统一变得明确且可检验。固定的槽位规范按计算角色分配操作，并定义了框架的覆盖范围。该分解还产生了组件级的理论见解：在端点局部消息和节点局部更新下，算子支撑集限制了一层的依赖关系，而在所述假设下，一层的全局混合需要完整的有效算子行。所得框架将200多种架构组织在一个通用设计空间中，支持组件比较和结构一致架构的生成，并将传播选择与过平滑（https://huggingface.co/papers?q=oversmoothing）、过压缩（https://huggingface.co/papers?q=oversquashing）、异配性（https://huggingface.co/papers?q=heterophily）和表达能力（https://huggingface.co/papers?q=expressivity）联系起来。它进一步揭示了将可测量的图和任务属性映射到经过验证的组件选择的实证逆问题。

查看 arXiv 页面 (https://arxiv.org/abs/2608.16097) 查看 PDF (https://arxiv.org/pdf/2608.16097) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.16097)

引用此论文的模型 0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.16097 以从此页面链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.16097 以从此页面链接它。

引用此论文的空间 0

没有空间链接此论文

在空间的 README.md 中引用 arxiv.org/abs/2608.16097 以从此页面链接它。

包含此论文的收藏 0

没有包含此论文的收藏

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接它。