消息传递图神经网络（Message Passing Neural Networks，简称 MPNN）是一种处理图结构数据的神经网络框架，由 Gilmer 等人在 2017 年提出，相关论文成果为「Neural Message Passing for Quantum Chemistry」。 MPNN 的核心思想是通过消息传递和聚合机制来更新图中节点的表示，使其能够捕捉到节点的局部邻域信息。
MPNN 的前向传播过程主要分为两个阶段：消息传递阶段和读出阶段。在消息传递阶段，每个节点会收集来自其邻居节点的信息，这些信息通过一个可训练的消息函数进行聚合。节点更新函数随后将聚合得到的信息与节点当前的状态结合起来，更新节点的特征表示。这个过程会迭代进行，直到达到预定的迭代次数或满足停止条件。读出阶段则是将所有节点的最终状态通过一个读出函数进行汇总，以得到整个图的全局特征表示 。
MPNN 框架具有很好的通用性和灵活性，它能够涵盖多种图神经网络模型，如 GCN 、 GAT 等。此外，MPNN 的设计理念也为图神经网络的研究提供了新的视角，促进了图神经网络在不同领域的应用发展 。