图神经网络机器：用于表格数据学习的新模型
内容提要
该文综述图神经网络的多项研究，包括设计流程与应用分类、与概率图模型的交叉、GA-MLP与GNN表达力对比、DAGNN结构、知识蒸馏GLNN、PMLP泛化分析、表格数据建模IGNNet、无消息传递的Graph-MLP及机器翻译应用，并提出开放性问题。
延伸解读
GNN与MLP的权衡：表达力与效率
文章对比了GA-MLP与GNN的表达能力，指出GA-MLP在适当算子下能区分几乎所有非同构图，但与GNN的表达力差距随深度指数增长，且无法计算属性步行数量。同时，PMLP研究表明GNN的性能提升主要源于泛化能力而非表达力，且PMLP训练效率更高。这提示读者：在资源受限场景下，简化模型可能足够，但需注意其理论局限。
表格数据上的图神经网络进展
针对表格数据，文章介绍了IGNNet和Graph-MLP两种模型。IGNNet通过表征学习捕获特征交互，性能与XGBoost等相当，且解释与Shapley值一致；Graph-MLP无需消息传递，仅用MLP和邻域对比损失，在无邻接信息时仍具竞争力。这些工作表明GNN正拓展至传统表格任务，并注重可解释性与鲁棒性。
知识蒸馏与无图依赖的GLNN
GLNN通过知识蒸馏将GNN与MLP结合，在7个数据集上实现比GNN更快且准确率接近的推理，适用于延迟受限应用。这提供了一种平衡图结构优势与推理效率的思路，但读者需注意其依赖蒸馏过程，可能损失部分图结构信息，且未提及对动态图的适应性。
开放性问题与未来方向
文章在综述GNN设计管道时提出了四个开放性问题，并探讨了GNN与概率图模型的交叉。这些方向包括结构表示学习、推理与结构学习等，为后续研究提供了参考。读者可关注这些未解决问题，但需注意文章未给出具体解决方案或优先级评估。
Q&A
图神经网络在表格数据学习中有哪些代表性模型？
文章提到了两个用于表格数据的图神经网络模型：一是使用交互网络（IN）进行情境嵌入的模型，在五个公共数据集上表现优异；二是IGNNet，一种解释性图神经网络，通过表征学习捕获特征交互，性能与XGBoost、Random Forests和TabNet相当，且解释与Shapley值一致。
GA-MLP和GNN在表达能力上有什么差异？
GA-MLP首先通过图上的多跳算子增强节点特征，然后以节点方式应用MLP。在适当算子下，GA-MLP能像WL测试一样区分几乎所有非同构图，但与GNN的表达能力差距随深度指数增长，且不能计算属性步行的数量，受操作符族选择限制比GNN更受限。
GLNN是什么？它有什么优势？
GLNN是通过知识蒸馏技术将图神经网络（GNNs）和多层感知器（MLPs）结合提出的无图依赖神经网络。在7个数据集的生产环境中，GLNN比GNNs更快且准确率接近，适用于延迟受限的应用程序。
Graph-MLP模型有什么特点？
Graph-MLP是基于多层感知机的图神经网络模型，仅使用MLP、激活函数和层归一化，无需信息传递模块。它利用图结构的监督信号，在损失层面设计邻域对比损失（NContrast），能在大规模图数据和损坏的邻接信息中更轻巧、更强韧地进行分类，即使测试阶段没有邻接信息也能达到与最先进模型相媲美甚至更好的性能。
GNN的性能提升主要来源于什么？
通过引入中间模型PMLP的研究发现，GNN的性能提升主要源于其本质上的泛化能力，而非原理层面上的增强表现力。PMLP表现与GNN相当，但训练效率更高。
DAGNN是什么？它在什么任务上表现好？
DAGNN是一种基于偏序（partial ordering）的神经网络结构，在DAG数据集上的表现优于先前的DAG结构和通用图形结构。
