无弦结构：通往简单且具表达力 GNNs 的路径
机器学习
2025-05-27 v1
摘要
研究人员提出了多种将更多结构化信息融入图神经网络 设计以增强其表达力的方法。然而，这些方法要么计算成本高昂，要么缺乏可证明的表达力。在本文中，我们观察到在许多情况下，弦增加了图结构的复杂性，却贡献甚少的有用信息。相比之下，无弦结构在表示图方面更加高效且有效。因此，当利用环的信息时，我们选择忽略弦。据此，我们提出了一种基于无弦结构的图神经网络 (CSGNN)，并证明其表达力严格强于 k-hop GNN (KPGNN)，且具有多项式复杂度。在真实世界数据集上的实验结果表明，CSGNN 在各种图任务中优于现有的 GNNs，同时计算成本更低，且性能优于具有 3-WL 表达力的 GNNs。
引用
@article{arxiv.2505.19188,
title = {Chordless Structure: A Pathway to Simple and Expressive GNNs},
author = {Hongxu Pan and Shuxian Hu and Mo Zhou and Zhibin Wang and Rong Gu and Chen Tian and Kun Yang and Sheng Zhong},
journal= {arXiv preprint arXiv:2505.19188},
year = {2025}
}