Ego-GNNs：在图神经网络中利用自我结构
机器学习
2021-07-26 v1
摘要
图神经网络(GNNs)作为处理图结构数据的深度学习框架已取得了显著成功。然而，GNNs 受其树结构归纳偏置的根本限制：WL-subtree 核公式界定了 GNNs 的表示能力，且多项式时间 GNNs 可证明无法识别图中的三角形。在本工作中，我们提出利用定义在自我图(即环绕每个节点的导出子图)上的信息来增强 GNN 的消息传递操作。我们将这些方法称为 Ego-GNNs，并证明 Ego-GNNs 可证明地比标准消息传递 GNNs 更强大。特别地，我们证明了 Ego-GNNs 能够识别闭合三角形，鉴于传递性在真实图中的普遍性，这一点至关重要。我们还从图信号处理的角度将该方法视为一种多重图卷积形式进行了动机阐述。在合成数据与真实数据上的节点分类实验结果突显了使用该方法可获得的性能提升。
引用
@article{arxiv.2107.10957,
title = {Ego-GNNs: Exploiting Ego Structures in Graph Neural Networks},
author = {Dylan Sandfelder and Priyesh Vijayan and William L. Hamilton},
journal= {arXiv preprint arXiv:2107.10957},
year = {2021}
}
备注
Submitted to a special session of IEEE-ICASSP 2021