[論文レビュー] Position: Message-passing and spectral GNNs are two sides of the same coin

Antonis Vasileiou, Juan Cerviño+8 more|arXiv (Cornell University)|Feb 10, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

要約: 本論文は MPNN とスペクトル GNN が巡回対称性を持つグラフ信号オペレータのパラメータ化の大部分で同等であり補完的な強みを持つと主張し、それらの視点と設計選択を統一することを提案する。スペクトル的位置エンコードを含む設計指針の統合を促す。

ABSTRACT

Graph neural networks (GNNs) are commonly divided into message-passing neural networks (MPNNs) and spectral graph neural networks, reflecting two largely separate research traditions in machine learning and signal processing. This paper argues that this divide is mostly artificial, hindering progress in the field. We propose a viewpoint in which both MPNNs and spectral GNNs are understood as different parametrizations of permutation-equivariant operators acting on graph signals. From this perspective, many popular architectures are equivalent in expressive power, while genuine gaps arise only in specific regimes. We further argue that MPNNs and spectral GNNs offer complementary strengths. That is, MPNNs provide a natural language for discrete structure and expressivity analysis using tools from logic and graph isomorphism research, while the spectral perspective provides principled tools for understanding smoothing, bottlenecks, stability, and community structure. Overall, we posit that progress in graph learning will be accelerated by clearly understanding the key similarities and differences between these two types of GNNs, and by working towards unifying these perspectives within a common theoretical and conceptual framework rather than treating them as competing paradigms.

研究の動機と目的

• MPNNs とスペクトル GNNs の統一的な見方を動機づけ、二つの研究伝統間の人工的な分断を克服する。
• MPNN およびスペクトル GNN アーキテクチャが同等の表現力を持つ状況を特徴づける。
• 理論と実践のための補完的な強みを特定する（離散構造対スペクトル特性）。
• スペクトルフィルタリングとスペクトル位置エンコーディングを別個の設計軸として扱う設計指針を提案する。
• 従来の二分法を超えたGNNを分析する共通理論的枠組みを促進する。

提案手法

• MPNN とスペクトル GNN の層を、グラフ信号上の非線形で置換可能性を持つ演算として定義する。
• 特定の GSOs を用いた多項式スペクトル GNN が和の集約 MPNN により実装可能であることを示し、二つの形式を結びつける。
• 固有基底の不変性を用いてスペクトル GNN における置換対称性を論じ、MPNN の普遍性結果と関連づける。
• Separation power を mild な仮定の下で1-WLテストと比較し、表現力の同等性を確立する。
• スペクトル特性（過度平滑化、ボトルネック、コミュニティ構造）が MP NN 設計選択へどのように写像されるか、またその逆も説明する。
• スペクトル位置エンコーディングは backbone アーキテクチャとは別の設計軸として扱うべきだと主張する。

Figure 1 : Overview of our five positions for unifying spectral GNNs and MPNNs in a principled way.

実験結果

リサーチクエスチョン

• RQ1 スペクトル GNNs と MPNNs は自然な仮定の下で同等の表現力を持つのか？
• RQ2 二つのパラダイムが能力や制約の点で分岐するのはどのような状況か？
• RQ3 スペクトルとメッセージパッシングの視点の補完的強みを統一的枠組みでどう活用できるか？
• RQ4 スペクトル位置エンコーディングは backbone アーキテクチャに依存せずどのような役割を果たすのか？
• RQ5 両パラダイムの安定性・一般化・転移性をどのように形式化・比較できるか？

主な発見

• 緩い仮定の下、連続フィルタを持つMPNNとスペクトル GNN は分離力が1-WLに等しい。
• 隣接行列や他の GSOs を用いた多項式スペクトル GNN は和の集約 MPNN によって実装可能で、二つの形式を結びつける。
• スペクトル GSO の選択と固有基底の不変性は表現力理解の中心であり、MPNN の普遍性限界と関連する。
• 特徴拡張（構造エンコーディング、ランダム特徴）は、両パラダイムの共通ベースを超えて表現力を大幅に向上させる可能性がある。
• スペクトル位置エンコーディングは直交的な設計選択であり、共通の GNN アーキテクチャにより生成でき、バックボーンとは独立して性能に影響する。
• スペクトルが無限大となる場合、スペクトル多項式 GNN も MP NN も普遍的表現を持たないことがあり、境界スペクトルは多項式スペクトル GNN による普遍近似を可能にする。