利用局部自我网络编码超越 1-WL
机器学习
2022-12-09 v2 社会与信息网络
摘要
识别相似的网络结构对于捕捉图同构以及学习利用图数据中所编码结构信息的表示至关重要。本工作表明，自我网络（ego-network）可为任意图生成一种结构编码方案，其表达能力优于 Weisfeiler-Lehman（1-WL）测试。我们引入 IGEL，一种预处理步骤，通过将自我网络编码为稀疏向量来生成增强节点表示的特征，从而使消息传递（MP）图神经网络（GNN）的表达能力超越 1-WL。我们形式化描述了 IGEL 与 1-WL 的关系，并刻画了其表达力与局限。实验表明，IGEL 在同构检测上匹配了当前最优方法的经验表达力，同时提升了七种 GNN 架构上的性能。
引用
@article{arxiv.2211.14906,
title = {Beyond 1-WL with Local Ego-Network Encodings},
author = {Nurudin Alvarez-Gonzalez and Andreas Kaltenbrunner and Vicenç Gómez},
journal= {arXiv preprint arXiv:2211.14906},
year = {2022}
}
备注
Presented at the First Learning on Graphs Conference (LoG 2022), Virtual Event, December 9-12, 2022