【标题】DIRECTED ACYCLIC GRAPH NEURAL NETWORKS 【作者团队】Veronika Thost , Jie Chen 【发表时间】2021/1/20 【论文链接】原文地址 【参考链接】代码链接 【推荐理由】 本文收录于ICLR2021会议,其提出了一种针对有向无环图而量身定制的图神经网络（DAGNN），它通过利用偏序作为强归纳偏差以及其他合适的体系结构特征，研究结果表明该网络优于传统的GNNs。

图形结构化数据无处不在的科学和工程中。图神经网络（GNN）旨在利用图中显示的关系归纳偏差。在结构信息补充节点特征的情况下，它们被证明优于其他形式的神经网络。最常见的GNN架构根据消息传递来汇总来自社区的信息。它的普遍性使其广泛适用。本文中专注于一种特殊但仍广泛使用的图形-DAG-并将更强的归纳偏差-偏序-注入神经网络设计中。其提出了有向无环图神经网络DAGNN，一种根据部分顺序定义的流程处理信息的体系结构。可以将DAGNN视为一个框架，该框架需要特殊情况下的早期工作（例如，用于树的模型和用于反复更新节点表示的模型），但是本文确定了现有体系结构缺少的几个关键组件。并且对代表性的DAG数据集（即源代码，神经体系结构和概率图形模型）进行了包括消融研究在内的综合实验，并证明了DAGNN在较简单的DAG体系结构和常规图形体系结构上的优越性。