摘要
基于迭代单跳消息传递的图神经网络在有效利用远距离节点信息方面表现出困难。相反，图变换器允许每个节点直接关注所有其他节点，但缺乏图归纳偏置，并且必须依赖于临时的位置编码。本文中，我们提出了一种新的架构来解决这些挑战。我们的方法源自最近由深度状态空间模型提供的长程建模突破：对于给定的目标节点，我们的模型通过其到目标节点的最短距离来聚合其他节点，并使用线性递归神经网络（RNN）对跳变表示序列进行编码。为了实现稳定的长程信号传播，线性RNN以特定的对角形式参数化，并且理论上具有足够的表达能力来编码邻域层次结构。无需位置编码，我们在各种基准测试中实证展示了我们的模型性能与最先进的图变换器相当或更优，同时显著降低了计算成本。我们的代码已开源，可访问 https://github.com/skeletondyh/GRED 获取。