深入理解图（Graph）与图神经网络 （GNN）（其六）

图可以具有更丰富的结构

我们已经提到，图既可能“过于简单”（即无法捕捉更复杂的现象，如非成对关系），同时又可能“过于复杂”（即难以在同质空间中表示）。解决前一个问题的方法是通过在图中“丰富”附加结构。一个很好的例子是前面提到的分子图，其中包含环（在图的术语中称为环），化学家将其视为单个实体，而不仅仅是原子和键的集合（节点和边）。

在一系列的研究中，我们展示了图可以被“提升”到称为单纯复形和细胞复形的高维拓扑结构上。在这些结构上，可以设计更复杂的信息传递方案，不仅可以在节点之间传播信息（类似传统的GNN），还可以在结构之间传递信息，比如环（“细胞”）。适当构建“提升”操作使得这种模型比传统的Weisfeiler-Lehman测试更具表达能力。

左图：将图提升为细胞复形。右图：细胞信息传递。

在另一篇最近的论文中（C. Bodnar, F. Di Giovanni, et al., Neural Sheaf Diffusion: A Topological Perspective on Heterophily and Oversmoothing in GNNs, 2022），我们展示了图可以通过将向量空间和线性映射分配给节点和边来具备额外的“几何”结构，称为细胞层。传统的GNN隐含地假设图具有平凡的基础层，这反映在相关扩散方程和图拉普拉斯算子的结构中。使细胞层非