摘要

消息传递图神经网络（GNNs）在捕捉局部关系方面表现出色，但在处理图中的长程依赖时存在困难。相比之下，图变换器（GTs）能够实现全局信息交换，但通常通过将图表示为固定长度向量的集合而简化了图结构。本研究提出了一种新颖的架构，通过结合随机游走的长程信息与局部消息传递，克服了这两种方法的不足。通过将随机游走视为序列，我们的架构利用了近期序列模型的进展，有效捕捉这些游走中的长程依赖。基于这一概念，我们提出了一个框架，该框架具备以下特点：(1) 通过随机游走序列提供更具表现力的图表示；(2) 能够利用任何序列模型来捕捉长程依赖；(3) 通过整合各种GNN和GT架构实现了灵活性。实验评估表明，我们的方法在19个图和节点基准数据集上取得了显著的性能提升，在PascalVoc-SP和COCO-SP数据集上的表现尤为突出，比现有方法最高提升了13%。代码可在https://github.com/BorgwardtLab/NeuralWalker 获取。