Weisfeiler-Lehman(WL)算法

最新推荐文章于 2025-03-07 20:58:11 发布

怕狗子的福哥

最新推荐文章于 2025-03-07 20:58:11 发布

阅读量1.3w

点赞数 18

分类专栏：图网络文章标签：算法

本文链接：https://blog.csdn.net/qq_45312141/article/details/106783670

版权

Weisfeiler-Lehman(WL)算法是一种用于图的同构测试的方法，通过不断迭代更新节点标签来区分不同结构的图。算法包括标签扩展、压缩和重标签过程，其在一维形式下与GNNs有相似之处。文章介绍了WL测试的步骤、一维WL算法的执行流程，以及General Weisfeiler-Lehman Kernels，包括Subtree、Edge和Shortest Path Kernel的计算方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Weisfeiler-Lehman 算法

Weisfeiler-Lehman(WL)算法

Weisfeiler-Lehman(WL)算法

The Weisfeiler-Lehman Test of Isomorphism

图核使用来自 $W e i s f e i l e r - L e h m a n$ 同构检验的概念，更具体地讲是其一维变体，也称为“朴素顶点修饰”
该算法的关键思想是通过对相邻节点的节点标签排序后的集合来扩展节点标签，并将这些扩展后的标签压缩为新的短标签
$a l p h a b e t$ $Σ$ 必须足够大才能使 $f$ 具内射性。对于两个图， $∣ Σ ∣ = 2 n$ 个满足条件。

在这里插入图片描述

$（ a ）$ 网络中每个节点有一个 $l a b e l$ ，如图中的彩色的 $1 ， 2 ， 3 ， 4 ， 5$
$（ b ）$ 标签扩展：做一阶广度优先搜索，即只遍历自己的邻居。比如在图 $（ a ）$ 网络 $G$ 中原 $(5)$ 号节点，变成 $(5, 234)$ ，这是因为原 $（ 5 ）$ 节点的一阶邻居有 $2 ， 3 和 4$
$（ c ）$ 标签压缩：仅仅只是把扩展标签映射成一个新标签，如 $5, 234 = > 13$
$（ d ）$ 压缩标签替换扩展标签
$（ e ）$ 数标签：比如在 $G$ 网络中，含有 $1$ 号标签 $2$ 个，那么第一个数字就是 $2$ 。这些标签的个数作为整个网络的新特征