全归纳图神经网络的结构交互图上的神经消息传递

构建图基础模型的一个主要障碍是特征空间维度、语义和结构方面的输入异质性。这种异质性限制了图神经网络泛化到具有未见特征空间的新图的能力。我们使用 SIGIL 解决可转移性挑战，SIGIL 是一个将任何属性图映射到固定维度的统一表示空间的框架。给定一个图，SIGIL 将其提升为结构交互图，其中节点是输入特征维度，加权、类型化边对图连接的多个阶次的特征对齐进行编码。关系消息传递网络将每个特征维度嵌入到共享空间中，将任意维度的原始节点特征转换为可转移到任何下游图的表示。通过构造，SIGIL 与节点、特征维度和标签的排列等价。此外，当输入特征是离散关系的独热指标时，SIGIL 恢复并严格概括现有的知识图推理基础模型。在一张图上进行预训练的单个 SIGIL 模型可提供强大的全归纳链路预测。此外，SIGIL还可用于实现现有的知识图谱基础模型。因此，SIGIL 在单一框架下统一了图基础模型设计中的几个现有机制