---
title: "消息傳遞神經網路（Message Passing Neural Network）"
slug: message-passing-neural-network
language: zh-TW
source: https://aiterms.tw/terms/message-passing-neural-network
updated_at: 2026-06-22
tags: [深度學習, 神經網路, AI基礎, AI應用]
ipas_term: false
---

# 消息傳遞神經網路（Message Passing Neural Network）

一種統一的圖神經網路框架，將圖學習過程表述為節點間的消息生成、傳遞和聚合。

## 完整說明

消息傳遞神經網路（MPNN）是對圖神經網路的一般化框架，由 Gilmer 等人提出。MPNN 將各類 GNN 統一為三個步驟：(1) 每個節點向鄰域發送消息，(2) 消息沿邊傳遞，(3) 節點接收並聚合來自鄰域的消息。GCN、GAT、GraphSAGE 等都可視為 MPNN 的特例，選擇不同的消息函數、聚合函數和更新函數。MPNN 框架提供了一個統一的視角，使得研究者能更系統地設計和分析新的 GNN 模型。

## 常見問題

### MPNN 框架中，聚合函數為什麼必須排列不變？

排列不變性保證了聚合結果不依賴於鄰域節點的順序。由於圖中鄰域節點沒有自然的序列順序，聚合函數應該對任何順序的輸入產生相同結果。數學上，排列不變函數可以表示為 Σ 或 max 等簡單操作的組合（Kolmogorov-Arnold 定理）。若聚合函數不是排列不變的（如使用 RNN 序列處理鄰域），不同的遍歷順序會產生不同結果，違反圖的對稱性，導致模型行為不穩定。

### MPNN 框架如何處理邊特徵？

邊特徵可在消息函數中使用。例如，消息函數定義為 m_uv = MLP([h_u; h_v; e_uv])，其中 e_uv 是邊的特徵向量。邊特徵被拼接到節點特徵中，然後透過神經網路處理。這使得 MPNN 能自然地處理帶邊屬性的圖，如知識圖譜（邊代表關係類型）、分子圖（邊代表化學鍵類型）等。邊特徵的加入通常能改進模型性能，尤其是在邊類型多樣的圖上。

### MPNN 框架中層數過多為何導致過平滑？

隨著 MPNN 層數增加，消息傳遞的範圍擴大。在第 k 層，每個節點的表示包含了距離達 k 跳遠的鄰域信息。若層數過多（超過圖的直徑），幾乎所有節點都能相互影響，導致節點表示趨同。更嚴格地，研究表明，無差別的聚合函數在深層後會產生相似的表示分佈（spectral collapse）。解決方案包括：(1) 限制層數（2-3 層），(2) 使用跳連連接（skip connections），(3) 設計適應性的停止準則。

---

來源：https://aiterms.tw/terms/message-passing-neural-network
快查頁：https://aiterms.tw/terms/message-passing-neural-network
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-message-passing-neural-network