图机器学习的成对交互范例主要控制着关系系统的建模。但是，仅凭图不能捕获许多复杂系统中存在的多级交互，并且这种方案的表达能力被证明是有限的。为了克服这些限制，我们提出了消息传递简单网络（MPSN），这是一类对简单复合体（SC）执行消息传递的模型-拓扑对象将图形推广到更高的维度。为了从理论上分析我们模型的表现力，我们引入了一个简单的Weisfeiler-Lehman（SWL）着色过程来区分非同构SC。我们将SWL的功能与区分非同构图的问题联系起来，并显示SWL和MPSN严格比WL测试更强大，并且不比3-WL测试更强大。我们通过将我们的模型与具有ReLU激活的传统图神经网络进行比较，从而深化了分析，它们可以代表函数的线性区域数量。通过显示MPSN可以区分GNN失败的具有挑战性的强规则图，并通过配备方向等变层，与MPN基线相比，它们可以提高定向SC的分类准确性，从而从经验上支持我们的理论主张。此外，我们实现了一个用于在简单复合体上传递消息的库，我们计划在适当的时候发布该复合体。我们通过将我们的模型与具有ReLU激活的传统图神经网络进行比较，从而深化了分析，它们可以代表函数的线性区域数量。通过显示MPSN可以区分GNN失败的具有挑战性的强规则图，并通过配备方向等变层，与MPN基线相比，它们可以提高定向SC的分类准确性，从而从经验上支持我们的理论主张。此外，我们实现了一个用于在简单复合体上传递消息的库，我们计划在适当的时候发布该复合体。我们通过将我们的模型与具有ReLU激活的传统图神经网络进行比较，从而深化了分析，它们可以代表函数的线性区域数量。通过显示MPSN可以区分GNN失败的具有挑战性的强规则图，并通过配备方向等变层，与MPN基线相比，它们可以提高定向SC的分类准确性，从而从经验上支持我们的理论主张。此外，我们实现了一个用于在简单复合体上传递消息的库，我们计划在适当的时候发布该复合体。通过显示MPSN可以区分GNN失败的具有挑战性的强规则图，并通过配备方向等变层，与MPN基线相比，它们可以提高定向SC的分类准确性，从而从经验上支持我们的理论主张。此外，我们实现了一个用于在简单复合体上传递消息的库，我们计划在适当的时候发布该复合体。通过显示MPSN可以区分GNN失败的具有挑战性的强规则图，并通过配备方向等变层，与MPN基线相比，它们可以提高定向SC的分类准确性，从而从经验上支持我们的理论主张。此外，我们实现了一个用于在简单复合体上传递消息的库，我们计划在适当的时候发布该复合体。



"点击查看英文标题和摘要"