通过创造物理系统的 3D 多体点云，我们提出了一种新型的基于等变矩阵乘积态 (MPS) 的消息传递策略，有效地建模复杂的多体关系并捕捉了几何图中的对称性，超越了现有的几何图神经网络的平均场近似，并在预测经典牛顿系统和量子张量哈密顿矩阵等基准任务上验证了其卓越的准确性，堪称参数化几何张量网络的创新应用。

Jan, 2024

本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

Feb, 2020

本文提出了一个理论框架，可以比较图神经网络架构的表达能力，证明了实用 GNN 的第一近似保证，FGNN 被证明是最具表现力的架构之一，在 Quadratic Assignment Problem 中的应用表明 FGNN 能够比现有的基于谱、SDP 或其他 GNN 架构的算法表现得更好。

Jun, 2020

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

提出了一种名为 Equivariant Subgraph Aggregation Networks（ESAN）的新框架，它可以代表每个图形并将其处理为一个经过适当等变架构处理的子图集合，从而提高了图形信号处理的表现力。

Oct, 2021

我们介绍了可以将位置、力、速度或旋转等协变信息纳入计算物理和化学任务的可旋转 E (3) 等变图神经网络（SEGNNs），该模型能够通过可旋转 MLPs 将几何和物理信息纳入信息和更新函数，我们通过等变非线性卷积的镜头讨论了我们和相关工作，证明了我们的方法在计算物理和化学的几个任务中是有效的。

Oct, 2021

本研究提出了符合物理对称性的几何图卷积神经网络测试 GWL，并使用 GWL 研究了符合物理对称性的几何图卷积神经网络的表达能力，发现等变层扩展了局部邻域之外的几何信息，高阶张量和标量化使几何图卷积神经网络具有最大的表达能力。

Jan, 2023

本文将图上定义的神经网络呈现为信息传递神经网络（MPNN），通过研究不同类别的这些模型的区别能力，探讨它们的识别能力，研究传统的图神经网络和卷积图神经网络对顶点进行特征标注的能力的界限，并使用 Weisfeiler-Lehman 算法对 MPNNs 的区分能力进行了上下界的研究。

Apr, 2020

通过引入新的图同构解决方案，我们设计了一类通用的置换等变图网络，这些架构与以前的架构不同，提供了表达能力和可扩展性之间的细粒度控制，并适应了图的稀疏性。在监督节点和图级分类和回归方案中，这些架构与标准高阶图网络相比计算时间大大缩短，同时在预测性能方面显着提高，而且与标准图神经网络和图内核架构相比也有很大的优势。

Mar, 2022

本研究提出了一种新的通用框架，用于学习嵌入非欧几里德流形空间的空间网络的表示，通过结合图拓扑和空间几何，以边上的信息形式提取空间几何，保证学习到的表示对重要的对称性具有不变性，并能够区分不同的几何结构。通过对合成和真实世界数据集的大量实验证明了该方法的优势。

Dec, 2023