非进化图神经网络

这篇论文介绍了一种名为“随机游走统一记忆”（RUM）神经网络的全新图神经网络（GNN）方法。这种方法独特之处在于避免了传统GNN中常见的卷积操作符，这些操作符存在过度平滑和过度压缩等局限性。RUM网络利用循环神经网络（RNN）沿着随机游走路径整合拓扑和语义特征，旨在提高表达能力和效率。论文声称RUM在表达能力上优于Weisfeiler-Lehman同构性测试，并在各种分类和回归任务中展现出潜力。这种新方法对于寻求更加稳健和可扩展替代方案的研究人员和从业者可能具有重要意义。- 卷积的图神经网络（GNN）存在问题，需要稀疏核进行高效计算。 - 设计了一个不使用卷积操作的图学习模块，称为“随机游走与统一记忆”（RUM）神经网络。 - RUM通过合并拓扑和语义图特征来减弱问题，并比WL同构测试更具表达能力。 - RUM在分类和回归任务中表现出竞争性的性能，并具有鲁棒性、内存效率、可扩展性和更快的速度。