摘要

图神经网络（GNNs）尽管在不同任务中取得了显著的性能，但其理论上限受1-Weisfeiler-Lehman测试的限制，导致在图表达能力方面存在局限性。虽然先前关于拓扑高阶GNN的研究突破了这一界限，但这些模型通常依赖于对图子结构的假设。具体而言，拓扑GNN利用团、环和环状结构的普遍存在来增强消息传递过程。我们的研究提出了一种新的视角，通过在图中的简单路径上进行拓扑消息传递，从而摆脱了限制性的归纳偏见。我们证明了通过将图提升到路径复形，我们的模型不仅能够推广现有的拓扑研究结果，还能继承单纯复形和正则胞腔复形的若干理论成果。无需对图子结构做出先验假设，我们的方法在其他拓扑领域超越了早期的工作，并在多个基准测试中达到了最先进的水平。