Message Passing Neural Networks (MPNN) ist ein neuronales Netzwerk-Framework zur Verarbeitung graphisch strukturierter Daten. Es wurde von Gilmer et al. vorgeschlagen. im Jahr 2017.Neuronale Nachrichtenübermittlung für die Quantenchemie". Die Kernidee von MPNN besteht darin, die Darstellung der Knoten im Diagramm durch Nachrichtenübermittlungs- und Aggregationsmechanismen zu aktualisieren, sodass die lokalen Nachbarschaftsinformationen der Knoten erfasst werden können.

Der Vorwärtsausbreitungsprozess von MPNN ist hauptsächlich in zwei Phasen unterteilt: Nachrichtenübermittlungsphase und Auslesephase. In der Nachrichtenübermittlungsphase sammelt jeder Knoten Informationen von seinen Nachbarknoten, die über eine trainierbare Nachrichtenfunktion aggregiert werden. Die Knotenaktualisierungsfunktion kombiniert dann die aggregierten Informationen mit dem aktuellen Status des Knotens, um die Merkmalsdarstellung des Knotens zu aktualisieren. Dieser Vorgang wird wiederholt, bis eine vorgegebene Anzahl von Iterationen erreicht ist oder eine Abbruchbedingung erfüllt ist. Die Auslesephase fasst die Endzustände aller Knoten durch eine Auslesefunktion zusammen, um eine globale Merkmalsdarstellung des gesamten Graphen zu erhalten.

Das MPNN-Framework ist vielseitig und flexibel und kann eine Vielzahl von Graph-Neural-Network-Modellen abdecken, wie etwa GCN, GAT usw. Darüber hinaus bietet das Designkonzept von MPNN auch eine neue Perspektive für die Erforschung von Graph-Neural-Networks und fördert die Anwendung und Entwicklung von Graph-Neural-Networks in verschiedenen Bereichen.