本文探讨了图神经网络在信息传递中的局限性，提出使用独特节点标识符（UIDs）可能导致失去置换等变性。我们提出了一种正则化UID模型，通过对比损失保持置换等变性，从而提升模型的泛化能力和推断能力，并加快训练收敛速度。实验结果表明，该方法在BREC基准上优于其他随机方法。

介绍了一种名为广义单纯姿态注意力神经网络（GSANs）的新型神经架构，用于处理在单纯复合体上定义的数据，通过掩码自注意力层。证明了 GSANs 具有置换等变性和单纯意识。在几个任务中应用到轨迹预测、缺失数据补全、图分类和单纯预测中，与其他方法相比取得了有利的效果。