摘要:
图神经网络(GNN)是用于图的表示学习的有效框架。GNN遵循邻域聚合方案,其中节点的表示向量是通过递归聚合和变换其相邻节点的表示向量来计算的。尽管GNN革新了图表示学习,但对其表示特性和局限性的理解仍然有限。在这里,我们提出了一个理论框架,用于分析GNN捕获不同图形结构的表达能力。
内容:
- WL图同构测试:通过汇总其网络邻居的特征向量来迭代更新给定节点的特征向量。使WL测试如此强大的原因在于它的可注入聚合更新,该更新将不同的节点邻域映射到不同的特征向量。
**问题:**什么是同构测试
如果两个图中对应节点的特征信息(attribute)和结构信息(structure)都相同,则称这两个图同构。
简单理解WL图同构测试:https://blog.csdn.net/lj2048/article/details/112723814?utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-0-112723814-blog-103616443.pc_relevant_recovery_v2&spm=1001.2101.3001.4242.1&utm_relevant_index=3