边缘 Weisfeiler-Lehman 算法
机器学习
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)，其中节点的表示通过递归地聚合自身及其邻居节点的表示来更新。类似于传播-聚合方法，Weisfeiler-Lehman (1-WL) 算法通过根据节点的颜色表示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 Weisfeiler-Lehman 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，我们还引入了边缘图同构网络 (EGIN) 模型，以进一步利用边特征，这解决了许多 GNN 不利用图数据边特征的关键缺陷。我们使用 12 个带边特征的基准图数据集评估了所提方法的性能，并与一些最先进的基准模型进行了比较。实验结果表明，我们提出的 EGIN 模型总体上在图分类任务上的表现优于基准模型。
引用
@article{arxiv.2512.05238,
title = {Edged Weisfeiler-Lehman Algorithm},
author = {Xiao Yue and Bo Liu and Feng Zhang and Guangzhi Qu},
journal= {arXiv preprint arXiv:2512.05238},
year = {2025}
}
备注
Author's Accepted Manuscript (AAM) of ICANN 2024 paper published in LNCS (Springer). Final version available at: https://link.springer.com/chapter/10.1007/978-3-031-72344-5_7