来源:知乎—鱼wy
地址:https://zhuanlan.zhihu.com/p/435460527
论文:A New Perspective on “How Graph Neural Networks Go Beyond Weisfeiler-Lehman?”
链接:https://openreview.net/forum?id=uxgg9o7bI_3
(这篇论文摘自ICLR2022 open review 四个审稿人不约而同的给了8分,作者信息现在还是匿名状态不知道出自哪个大神之手)
正文
作者对设计功能强大的图神经网络(GNNs)提出了一个新的视角。简而言之,这使得一个通用的解决方案能够将图的结构属性注入到gnn的消息传递聚合方案中。作为理论基础,作者首先在邻域子图上开发了一个新的局部同构层次结构。然后,作者将消息传递聚合方案推广,从理论上描述gnn如何被设计为在WL测试之外更具表现性。为了阐述这个框架,作者提出了一种新的神经模型,称为GraphSNN,并证明了该模型在区分图结构方面严格比WL检测更具表现性。作者通过实证验证了我们的模型在不同的图形学习任务上的强度。结果表明,作者的模型在不牺牲计算的简单性和效率的情况下,不断改进了基准任务上最先进的方法。
同构图检测
WL同构图检测
图神经网络
通用框架
通用消息传递框架
在本节中,作者提出了一个通用的消息传递框架(GMP),它能够根据重叠子图将局部结构注入到聚合方案中。在这个框架中,作者从理论上描述了gnn如何被设计成比1-WL更具表现力。