突破图神经网络技术瓶颈！新阶段3大创新方向大幅提高模型性能

针对传统的图神经网络在处理非结构化数据、捕捉高阶关系等方面的局限性，研究者们提出了众多优化方案。

这其中，超图神经网络、几何图神经网络、动态图神经网络作为GNN发展的前沿方向，不仅提供了更加丰富和灵活的方法来处理各种复杂的图数据，提高模型在特定领域的性能和应用范围，同时也在交叉领域有广泛的多元化应用。是我们做创新发论文的好方向。

本文介绍图神经网络这3大创新方向，每个方向都附有代表论文以及相应代码（共15篇），方便同学们理解学习以及复现。

论文原文以及代码需要的同学看文末

动态图神经网络

一种专门设计来处理随时间变化的图数据的深度学习模型。能够捕捉和分析图结构中的时间序列信息，对于理解和预测图的动态行为特别有用。在社交网络分析、交通预测、金融市场分析等多个领域都有广泛的应用。

代表论文1

FREEDYG: FREQUENCY ENHANCED CONTINUOUSTIME DYNAMIC GRAPH MODEL FOR LINK PREDICTION

方法：本文提出了一种名为FreeDyG的频率增强连续时间动态图模型，专为链接预测而设计。该方法包括一个新颖的频率增强MLP-Mixer层，能够有效捕捉频域中观察到的周期性时间模式和“shift”现象。同时，作者还引入了一个节点交互频率编码器，同时提取节点对之间的交互频率信息和共同邻居的比例信息。

创新点：

频率增强的MLP-Mixer层：这是一种新颖的频率增强多层感知器混合（MLP-Mixer）层，能有效捕捉频域中观察到的周期性时间模式和“移位”现象。
节点交互频率编码器：引入了一种节点交互频率编码器，可以同时提取节点对之间的交互频率信息和共同邻居比例的信息。通过在频域中进行更深入、更细致的交互模式提取，揭示了周期性和“移位”行为。

几何图神经网络

一类特殊的图神经网络，专门设计用于处理具有几何特性的图数据。其中群论、对称性和最小作用量原理是亮点。

这类网络能够捕捉到图结构中的几何和拓扑属性，在处理具有物理对称性的数据时更为有效，例如在平移、旋转和反射不变性方面的表现。

不变模型

代表论文1

ComENet: Towards Complete and Efficient Message Passing for 3D Molecular Graphs

方法：论文提出一种完整且高效的图神经网络ComENet来学习三维分子图。该方法通过全局和局部完整性实现了对三维信息的完整性保证，并且比现有方法快几个数量级。通过引入重要的旋转角度来实现全局完整性，并且提供了该方法完整性的严格证明。

创新点：

提出了一种新的消息传递方案，用于在1-hop邻居内进行操作，以实现完全的3D信息。这种方法通过实现全局和局部的完整性来保证3D图形的完整性，尤其是通过引入重要的旋转角度来实现全局的完整性。
设计了一种新的策略，以保证局部完整性，并且计算成本为O(nk)。通过将旋转角度整合到消息传递方案中，该方法可以在构象器级别上实现严格的完整性，并能够区分所有构象器。

等变模型

代表论文2

Learning Local Equivariant Representations for Large-Scale Atomistic Dynamics

方法：论文介绍了一种称为Allegro的新型深度学习相互作用势模型，它具有高精度、可扩展性和泛化能力。该模型结合了神经网络的高精度和局部描述符的可扩展性，能够适用于大型体系。Allegro模型使用严格局部的描述符和多层的深度神经网络，通过结合等变操作和严格局部描述符的优势，实现了高精度的能量和力的预测。