通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力，本研究提出了一种能够更好捕捉长程相互作用的简单策略，并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平，稳定提高了基线方法在这些任务上的性能。

Dec, 2023

本研究提出了一种基于多尺度小波变换的新型消息传递方法，即 Framelet Message Passing，并结合神经 ODE 求解器进行连续消息传递，证明了离散和连续情况均可实现网络稳定性和限制过度平滑，并在学习异构图时显著优于现有方法，在低计算成本下达到了经典节点分类任务的最新水平。

Feb, 2023

通过在节点特征的基础上传播节点的 One-hot 编码，以学习每个节点周围的本地上下文矩阵以及保证置换等变性的消息和更新函数，我们提出了一种具有强大表达能力和等变性的消息传递框架，用于对图形网络进行建模，实验表明本模型可以更准确地预测合成数据上的图形拓扑性质，并在 ZINC 数据集的分子图回归任务中取得了最优结果。

Jun, 2020

无标记信息传递层在图神经网络中被探索，与完全训练的 MPNN 相比，能够在链路预测中表现出竞争性和优越性能，尤其在存在高维特征的情况下，并通过理论分析将其与基于路径的拓扑节点相似度测量相关联。因此，无标记信息传递架构被视为一种高效且可解释的链路预测方法。

Jun, 2024

当提供强大的结构性编码时，基于张量乘积的相互作用模型表明比基于拼接的编码更加鲁棒，即使去除了消息传递层，也能在某些任务上几乎不降低性能。

Oct, 2023

通过理论分析和模拟仿真，我们发现图神经网络中的结构偏差传播导致了隐私泄露问题，基于这些发现，我们提出了一个双重隐私保护框架，该框架有效地保护了节点和链接隐私，同时在节点分类等下游任务中保持高效用。

Aug, 2023

该研究提出了一种新的、适应性强的信息传递框架 ——bilateral-MP，利用节点类别信息估计成对的模块化梯度，并在聚合函数应用时利用梯度进一步保留全局图结构，在五个中等规模基准数据集上的实验表明，bilateral-MP 可以有效防止过度平滑导致的性能降低。

Feb, 2022

本研究论文讨论了使用图神经网络（GNNs）进行学习和预测任务的关键，包括如何通过修改信息传递机制来提高学习和加快收敛。

Nov, 2023

本研究关注图神经网络的本质问题：无法仅仅依靠局部信息计算多个重要的图形特征；同时提出了信息传递图神经网络的第一个数据相关泛化界限，这一分析专门考虑了 GNN 局部置换不变性，该边界比现有的基于 VC 维度的 GNN 保证要紧密，与循环神经网络的 Rademacher 界限相当。

Feb, 2020

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