标签
本文提供了一种完备性理论，证明图神经网络中的多层消息传递能够实现对原子间势能的普适近似，从而为机器学习势能中的常见架构实践提供了理论依据。
本文介绍了黎曼霍奇消息传递（RHMP），一种分离拓扑与几何的神经架构，用于在网格上学习物理场，在多个基准测试中实现了卓越性能。
This theoretical paper proves that ReLU-based message-passing GNNs are strictly more expressive than GNNs using any eventually constant activation functions (e.g., truncated ReLU) with respect to Boolean queries, even on Boolean-featured graphs.
This paper introduces addressable and cardinality-preserving global memory for message-passing neural networks via cross-attention slots, addressing the finite-capacity bottleneck of virtual nodes and improving performance on multiplicity-aware tasks.
本文证明，具有随机节点特征的图神经网络可以普适地近似有向图上的置换不变或等变函数，并为可微函数提供了近似率界限。
本文研究了多种图神经网络消息传递层在回归场景中的效能，发现深度卷积GNN（尤其是GEN）的表现优于基于注意力机制的GNN。
HypNO介绍了一种基于图的神经算子，该算子利用物理信息消息传递，在时空有限体积单元图上求解标量双曲守恒律，能够准确捕捉激波和不连续性。该方法在LWR和ARZ交通流模型上进行了基准测试。
提出了一种基于消息传递的双时间尺度贝叶斯深度学习框架，用于大规模MIMO系统中联合信道与记忆硬件损伤追踪。
本文提出一种K跳高斯（KHG）扩散核，作为图神经网络的预处理模块，平衡局部和全局信息传播，以缓解过度平滑和信息瓶颈问题。实验表明，相比传统的消息传递图神经网络和现有扩散核，该方法在噪声或结构复杂的图上取得了显著改进。
本文通过证明增广生成模型的变分自由能（VFE）可以分解为预测模型的VFE加上显式熵修正项，对基于期望自由能（EFE）的规划给出了完整的变分刻画。作者推导了一种用于EFE规划的消息传递方案，并在网格世界环境中进行了验证。
提出了一种节点级频谱能量公式，用于检测图中的伪装异常，并将其扩展到具有能量驱动消息传递的时空设置。在大规模基准测试上证明了其有效性。
本文为超关系知识图谱提出了一项新任务——事实生成，并提出了KREPE，一种基于掩码离散扩散的生成式表示学习方法，该方法统一了链接预测与事实生成，达到了最先进的性能。