摘要
消息传递神经网络（Message Passing Neural Networks, MPNNs）基于图结构数据的原始信息（包括节点特征与图结构）学习其表示，在节点分类任务中展现出显著的性能提升。然而，MPNNs的表达能力受到一阶Weisfeiler-Leman测试的上限制约，其分类精度仍有进一步提升的空间。本文从理论与实证两个层面系统研究了如何充分挖掘图的原始信息以增强MPNNs的表达能力与泛化性能。在此基础上，提出了一种新型图神经网络模型——INGNN（信息增强图神经网络），该模型融合上述洞察，显著提升了节点分类的性能。在合成数据集与真实数据集上的大量实验结果表明，所提出的INGNN在性能上优于当前主流方法，平均排名达到1.78，充分验证了其优越性。