图神经网络实战（11）——Weisfeiler-Leman测试

0. 前言

在 GraphSAGE 架构中，使用模型的准确性换取了可扩展性，这在推荐系统等应用中非常有用。然而，这也引发了几个问题：是什么让图神经网络 (Graph Neural Networks, GNN) 变得 “准确”？这种准确性从何而来？我们能否利用这些知识设计出更好的 GNN？
本节将通过介绍 Weisfeiler-Leman (WL) 测试来阐明是什么让 GNN 变得强大。该测试提供了一个框架，用于帮助我们理解 GNN 的一个基本概念——表达能力 (expressiveness)。我们将用它来比较不同的 GNN 层，观察哪种 GNN 层最具表达能力。

1. 图神经网络的表达能力

通用近似定理 (universal approximation theorem) 证明了神经网络用于逼近函数，即只有一层的前馈神经网络可以近似任何平滑函数。但是，图上的通用函数逼近是一个更为复杂的问题，需要具备区分图结构的能力。
对于图神经网络 (Graph Neural Networks, GNN)，我们的目标是尽可能生成最佳的节点嵌入。