引用次数：9
引用格式：Finkelshtein B, Huang X, Bronstein M, et al. Cooperative graph neural networks[J]. arXiv preprint arXiv:2310.01267, 2023.
一、摘要
本文提出了一种训练图神经网络的新框架“合作图神经网络”（Co-GNNs），其中每一个节点可以被看作一个独立的玩家，可以在消息传递之前基于当前特征计算出一个动作分布，然后根据分布采样选择该节点在本层的动作。
可选择的动作分为以下几种：“倾听”、“广播”、“倾听和广播（又称标准）”或“隔离”。Co-GNNs提供了一种更灵活和动态的消息传递范式，其中每个节点了可以根据其状态确定自己的策略，并有效地在学习过程中探索图拓扑结构。
论文标题：Cooperative Graph Neural Networks
论文链接：https://arxiv.org/abs/2310.01267
代码链接：https://github.com/benfinkelshtein/CoGNN
Towards Data Science：https://towardsdatascience.com/co-operative-graph-neural-networks-34c59bf6805e
二、消息传递与信息瓶颈
大多数图神经网络都属于消息传递神经网络（Message passing neural networks, MPNNs&#x