EDEN：一种超越 1-WL 测试的即插式等变距离编码
机器学习
2022-11-22 v1
摘要
消息传递机制是图表示学习的核心。尽管大多数现有的消息传递图神经网络（MPNNs）在图级表示学习中具有置换不变性、在节点级和边级表示学习中具有置换等变性，但其表达能力通常受限于 1-Weisfeiler-Lehman（1-WL）图同构测试。近期提出的具有特殊设计的复杂消息传递机制的高表达力图神经网络（GNNs）并不实用。为弥补这一差距，我们提出了一种用于 MPNNs 的即插式等变距离编码（EDEN）。EDEN 源于对图的距离矩阵的一系列可解释变换。我们从理论上证明 EDEN 在所有级别的图表示学习中均为置换等变，并通过实验说明 EDEN 的表达能力可达到 3-WL 测试。在真实世界数据集上的大量实验表明，将 EDEN 与传统 GNNs 结合超越了近期先进的 GNNs。
引用
@article{arxiv.2211.10739,
title = {EDEN: A Plug-in Equivariant Distance Encoding to Beyond the 1-WL Test},
author = {Chang Liu and Yuwen Yang and Yue Ding and Hongtao Lu},
journal= {arXiv preprint arXiv:2211.10739},
year = {2022}
}