ICLR2022 GNN 图神经网络 论文阅读 (二) 泛读 (9-10)

• 欢迎关注WX公众号，每周发布论文解析：PaperShare,
  点我关注

论文列表

目前找了录用的一些有关于Graph或者GNN的文章，先过一遍各个文章的摘要，然后再花时间对觉得比较重要或者有趣的文章进行详细阅读。

• Paper 1-2

• Paper 3-4

• Paper 5-6

• Paper 7-8

Paper 9:

摘要简介

• 当下缺乏分析任意GNN的理论工具。
• 我们提出了一个和WL一样可以区分graphs的方法来分析GNN。
• 该方法基于一种procedural tensor language，相当于在语言层面上对GNN进行解析，进而对每一层GNN所需要的计算量进行分析，包括索引数量，求和的深度。
• 我们用这种tensor language重新定义了k-MPNN（k order Message-Passing Neural Networks）。
• 另外，可以用这种tensor语言来推导出多种GNN的universal approximation 的能力。
• 用这个方法，无需知道WL-test的细节。
• 我们还提供了一些如何增强GNN区分graphs的insights

实验

没有做实验，纯理论的文章。

分析

没有细看，全是新的定义和公式，我理解就是用一个过程语言去描述了GNN的推理过程。

Paper 10:

摘要简介

• MPNNs因为其简单和可扩展性，在graph data上很受欢迎。
• 但是其表达能力有也局限。
• 提出了一个Equivariant Subgraph Aggregation Networks （ESAN）来解决。
• MPNN有时候不能区别两个graph，虽然这两个graph的subgraph是有区别的。
• 所以，可以基于预先设置好的一些策略来将一个graph表示为多个subgraph的集合。
• 提出了一个1-WL的变种，并在其上理论证明了ESAN的表达能力比MPNN好。
• 理论证明了这些subgraph选择策略和equivariant neural 架构如何影响架构的表达能力。
• 为了解决计算复杂度问题，提出了一个subgraph sampling的策略。
• 真实数据和人工数据都表明我们这个方法好，并且可以提升很多GNN的性能。

架构

实验

也在OGB上比较了，拿了GIN最为底层GNN，然后套上新策略。

看起来方差比较大。