GNNs(图神经网络)是一类直接在图结构数据上进行学习的深度学习模型,通过节点间的消息传递来聚合邻域信息,广泛应用于分子建模、推荐系统、电力负荷预测等场景。当前的研究重心已从单纯堆叠模型架构,转向对 GNNs 表达能力边界、训练机制与可解释性的系统性反思。
GNNs 近期进展
当前焦点与观察点
一是表达能力与结构偏置的重新审视。Sheaf-MPNN 等工作(Sheaf-MPNN: A Library for Sheaf Neural Networks as Message Passing)将层理论引入消息传递框架,而谱对称性指纹(Spectral symmetry fingerprints in equivariant representations)和消息传递持续性(Message-passing graph persistence)等研究则从数学角度刻画模型能识别哪些图结构特征。
二是可解释性与实用性的平衡。片段级图编码(Fragment-Level Graph Encoding for Interpretable Molecular Property Prediction)面向分子性质预测提供可解释方案;与此同时,Revisiting Simple Baselines for Relational Deep Learning 重新检验简单基线在关系深度学习中的表现,提醒社区避免高估复杂架构的收益。
整体来看,GNNs 领域正经历从架构创新到方法论审慎的过渡:诊断协议、基线复现与理论分析类工作增多,说明社区更关注“模型为何有效”而非“模型是否更新”。对于从业者和研究者,后续值得关注的观察点包括消息传递范式的替代方案能否规模化,以及 GNNs 在工业级任务(如电力预测)中的真实贡献能否被更严谨地度量。