符号并非良方：面向异质图学习的多集到多集消息传递

图神经网络（Graph Neural Networks, GNNs）作为一种强大的建模与推理方法，近年来在同质性图结构数据中受到广泛关注。为了使GNN在异质性图（heterophilic graphs）中发挥效能——即相邻节点具有不相似的标签或特征——签名消息传递（Signed Message Passing, SMP）被广泛采用。然而，目前关于SMP局限性的理论与实证分析仍显不足。本文揭示了SMP存在的一些潜在缺陷及其应对策略。我们首先识别出SMP的两个关键局限：对多跳邻居（multi-hop neighbors）的表示更新不理想，以及对过平滑（oversmoothing）问题的敏感性。为克服上述挑战，我们提出一种新型的消息传递机制，称为“多重集到多重集图神经网络”（Multiset to Multiset GNN, M2M-GNN）。通过理论分析与大量实验验证，结果表明，M2M-GNN能够有效缓解SMP的上述缺陷，在性能上显著优于现有方法。