效率与表达力兼顾：基于游走中心性的子图 GNN

子图 GNN 通过处理子图集合（bags of subgraphs）克服了图神经网络（GNNs）的表达力局限，已成为一类颇具前景的架构。尽管其实证性能引人注目，但这些方法存在较高的计算复杂度：它们所处理的子图集合规模随节点数量线性增长，从而限制了其对较大图的可适用性。在本文中，我们提出一种有效且易于实现的方法，以显著降低子图 GNN 的计算成本，并拓展其更广泛的应用。我们所提出的方法称为 HyMN，利用基于游走的中心性度量来采样少量相关子图，从而大幅缩减子图集合规模。通过与扰动分析建立联系，我们突显了所提出的基于中心性的子图采样的优势，并进一步证明这些基于游走的中心性还可作为结构编码（Structural Encodings）使用，以提升判别能力。一系列全面的实验结果表明，HyMN 在表达力、效率与下游性能之间实现了有效融合，使子图 GNN 能够应用于规模显著更大的图。我们的方法不仅优于更为复杂的子图采样方法，而且以远低于其他最先进方法的运行时间取得了具有竞争力乃至更优的结果。