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
通过利用输入向量的正交性，纯消息传递可以捕捉联合结构特征，我们引入了一种基于消息传递的链接预测模型（MPLP），它利用准正交向量来估计链接级结构特征，同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。
Sep, 2023
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
通过在信息汇总和更新阶段增加邻居级别的信息交互编码，提升了图表示学习的性能，并在四个高需求任务中取得了最新的技术成果。
Apr, 2024
提出了基于记忆的消息传递方法（MMP），以解决现有消息传递方法在不光滑和噪声建模上的缺陷，通过记忆分离节点信息为鉴别和传播两部分，并发展控制机制和解耦合法则以提高所提出方法的效果和鲁棒性。
Feb, 2022
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
基于邻域树的新型聚合方案提高了表达能力，减轻了过度压缩，并通过神经树规范化技术提供了高分类准确性。
本文讨论了 “超越消息传递” 这一术语的危害性，提出使用更温和的术语 “增强型消息传递”，并指出大多数实际实现都会使用一些技巧来经过一定的修改后，基于消息传递实现任何我们想要在图上计算的函数。
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
通过将关于超图结构的信息整合到训练监督中，我们提出了一种新的学习框架 Hypergraph-MLP，它使用基于超图信号平滑性的损失函数来监督简单的 MLP 模型，在超图节点分类任务中表现出与现有基线相比具有竞争力的性能，并且在推理时更快且更稳健对结构扰动。
Dec, 2023