摘要
许多现实世界的数据可建模为三维图（3D图），但如何高效且完整地融入三维信息进行表示学习仍具挑战性。现有方法要么仅利用部分三维信息，要么面临过高的计算开销。为实现三维信息的完整且高效的融合，我们提出一种新颖的消息传递机制，该机制仅在1跳邻域内进行操作。该方法通过同时实现全局完整性和局部完整性，确保在三维图上三维信息的完全保留。特别地，我们引入了关键的旋转角度以保障全局完整性。此外，实验表明，我们的方法相比以往方法在速度上提升了数量级。我们为该方法提供了严格的完整性证明以及时间复杂度分析。由于分子本质上是量子系统，我们结合量子启发的基函数与所提出的消息传递机制，构建了完整且高效的图神经网络——ComENet。实验结果表明，ComENet在建模能力与计算效率方面均表现出色，尤其在图数量和规模均较大的真实世界数据集上表现优异。相关代码已公开，作为DIG库的一部分（https://github.com/divelab/DIG）。