#今日论文推荐#AAAI 2022 | KerGNNs:基于图核方法的可解释图神经网络
利用图核方法,自然地将CNN框架扩展到graph上图核(Graph Kernels)方法是图分类任务中应用最广泛的一类传统方法。然而,由于图核方法本质是在手工提取图特征,这类方法性能受限。近年,基于信息传递(MPNN)框架的图神经网络(GNNs)已经在图相关的任务中成为 SOTA 方法了。然而,这类方法在图同构测试中的能力无法超过 WL 算法。为解决图核方法不够灵活的问题,并提升 GNNs 的表达能力,本文通过结合 graph kernels 和 GNNs 提出了新的 GNN 框架,叫做 Kernel Graph Neural Networks (KerGNNs)。一方面,对于邻居节点的聚合,我们将图核应用在由节点邻居组成的子图上,(1-WL 利用的是邻居节点的 multiset),使得表达能力不受限于 1-WL 算法。另一方面,我们让 graph kernels 的特征构建过程可学习,带来更广泛的适用性。
论文题目:KerGNNs: Interpretable Graph Neural Networks with Graph Kernels
详细解读:https://www.aminer.cn/research_report/626b57897cb68b460fabbdfe?download=falsehttps://www.aminer.cn/research_report/626b57897cb68b460fabbdfe?download=false
AMiner链接:https://www.aminer.cn/?f=cs