摘要

大量机器学习问题涉及图结构数据的处理。然而，现有的图机器学习方法通常需要计算代价高昂的图相似性度量、对输入图进行预处理，或显式地对图节点进行排序。在本工作中，我们提出一种新颖且简洁的卷积神经网络架构，用于图上的监督学习，该架构在节点排列变换下具有可证明的不变性。所提出的架构可直接作用于任意图结构，无需进行节点排序。此外，它采用简单的多层感知机（MLP）进行预测，而非其他图深度学习方法中常见的卷积层。尽管结构简单，该架构在基准图分类数据集上的表现与当前最先进的图核方法及现有的图神经网络相当。在多个多分类任务中，我们的方法明显优于其他图深度学习算法。此外，我们在材料科学领域的一个真实世界原始应用中评估了该方法，取得了非常理想的结果。