边缘 Weisfeiler-Lehman 算法
量子物理
2025-12-08 v1
摘要
作为图学习的经典方法,传播-聚合方法被广泛应用于许多图神经网络 (GNN),其中节点表示通过递归地聚合来自自身及其邻居节点的表示进行更新。类似于传播-聚合方法,Weisfeiler-Lehman (1-WL) 算法通过根据节点及其邻居节点的颜色表示进行颜色细化来测试同构性。然而,1-WL 不利用任何边特征(标签),这在某些领域中利用边特征方面存在潜在改进。为此,我们提出了一种新的边缘-WL 算法 (E-WL),将原始 1-WL 算法扩展以包含边特征。基于 E-WL 算法,我们还引入一种边缘图同构网络 (EGIN) 模型,以进一步利用边特征,该模型解决了许多不利用图数据边特征的 GNN 的关键缺陷。我们使用 12 个带边特征的基准图数据集评估了所提出模型的性能,并将其与一些最新基线模型进行比较。实验结果表明,我们提出的 EGIN 模型在图分类任务中总体表现优于基线模型。
引用
@article{arxiv.2512.05237,
title = {Analog quantum simulation of the Lipkin-Meshkov-Glick model in a transmon qudit},
author = {Elizabeth Champion and Annie Schwartz and Muhammad A. Ijaz and Xiaohui Xu and Steve Campbell and Gabriel T. Landi and Machiel S. Blok},
journal= {arXiv preprint arXiv:2512.05237},
year = {2025}
}