利用最近在精确和可微分的 k 子集采样中的进展，我们设计了一种概率重连的消息传递图神经网络（PR-MPNNs），该网络学习在省略不太有益的边的同时添加相关边。首次，我们的理论分析探索了 PR-MPNNs 如何增强表达能力，并且我们确定了它们优于纯随机方法的精确条件。经验证实，我们的方法有效地缓解了如过度压缩和预测能力不足等问题。此外，根据现有的真实世界数据集，我们的方法在预测性能上与传统的 MPNN 模型和最近的图变压器架构相比表现出有竞争力或更好的性能。

Oct, 2023

本文介绍了 Persistent Message Passing (PMP) 机制，该机制为 GNN 的 latent representations 中加入了查询过去状态的能力，从而更好地支持时间依赖性数据结构的查询，允许 GNN 创建新节点来记录历史状态，并在动态时间范围查询上表现出色，具有优于覆盖状态的 GNN 的通用性。

Mar, 2021

为了更好地理解计算机视觉中的场景，我们提出了使用动态图消息传递网络来建模长程依赖关系，以超越本领域现有作品的效果。

Aug, 2019

隐式重连消息传递神经网络 (IPR-MPNNs) 整合了概率性图重连机制，解决了信息传递受限和结构瓶颈导致的问题，实现了跨较大距离的消息传递，并在多个图数据集上取得了最先进的性能，同时保持了显著更快的计算效率。

May, 2024

本论文提出了一种动态图消息传递网络，用于进行长程依赖性建模，以用于图像识别。该网络采用自适应抽样节点的方法，在传递信息时动态地预测节点相关过滤器权重和关联矩阵，以实现对自我注意机制的设计。研究结果表明，基于该模型的 Transformer 骨干网络在图像分类和物体检测等四种不同任务上，相对于现有的最先进技术，能够显著提升性能，同时性能优于完全连接的图并使用更少的浮点运算和参数。

Sep, 2022

本研究提出了一种新方法 RMPI，它使用关系信息直接传递消息来充分利用子图推理中的关系模式，具有一定的归纳能力，并且可以比现有的全归纳 KGC 方法表现更好。

Oct, 2022

本文研究如何全面利用信息，从理论和实践上提高信息传递神经网络的表现力和可推广性，并提出一种新的名为 INGNN 的图神经网络模型，针对节点分类任务，与目前最先进的方法相比，实验证明其优越性（平均排名 1.78）。

Oct, 2022

本研究介绍了一种基于领域分解的分布式训练和推理方法，用于消息传递神经网络 (MPNN)。我们的目标是解决随着节点数量增加，无线边缘网络的规模化问题。通过我们的分布式训练方法，并结合 NystrÖm 近似采样技术，我们提出了一种可扩展的图神经网络，称为 DS-MPNN (D 和 S 分别代表分布式和采样)，能够扩展到 O (10^5) 个节点。我们在两个案例上验证了我们的采样和分布式训练方法：(a) Darcy 流数据集和 (b) 二维翼型稳态 RANS 模拟，与单 GPU 实现和基于节点的图卷积网络 (GCN) 进行比较。DS-MPNN 模型展示了与单 GPU 实现相当的准确性，可以容纳比单 GPU 变体 (S-MPNN) 更多的节点，并且明显优于基于节点的 GCN。

Feb, 2024

本文提出一种基于边 - 顶点转换和对偶图同构性质的双重消息传递神经网络 (DMPNNs) 模型，用于在异步方式下加强子结构表示学习，适用于子图同构计数和匹配以及无监督节点分类任务。大量实验在合成和真实异构图中展示了 DMPNNs 结合节点和边表示学习的鲁棒性能，代码可在给出的网址中获取。

Dec, 2021

本文提出了一系列简单的改进方法，将标准消息传递图神经网络（GNN）转化为可证明强大的有向多重图神经网络，并将其应用于金融犯罪分析和网络钓鱼检测等任务中，得出了极好的实验结果。

Jun, 2023