等变子图聚合网络
机器学习
2022-03-18 v3 机器学习
摘要
消息传递神经网络（MPNNs）是图结构数据深度学习的领先架构，很大程度上得益于其简洁性与可扩展性。遗憾的是，已有研究表明这类架构的表达能力有限。本文提出一种称为等变子图聚合网络（ESAN）的新框架以解决该问题。我们的主要观察是，尽管两个图可能无法被 MPNN 区分，它们通常包含可区分的子图。因此，我们提出将每个图表示为由某预定义策略导出的子图集合，并使用合适的等变架构对其进行处理。我们开发了用于图同构的一维 Weisfeiler-Leman（1-WL）测试的新变体，并依据这些新 WL 变体证明了 ESAN 表达能力的下界。我们进一步证明，我们的方法提升了 MPNN 及更具表达力架构的表达能力。此外，我们提供了描述子图选择策略与等变神经架构等设计选择如何影响本架构表达能力理论结果。为应对增加的计算成本，我们提出一种子图采样方案，可视为本框架的随机版本。在真实与合成数据集上的全面实验表明，我们的框架提升了流行 GNN 架构的表达能力与整体性能。
引用
@article{arxiv.2110.02910,
title = {Equivariant Subgraph Aggregation Networks},
author = {Beatrice Bevilacqua and Fabrizio Frasca and Derek Lim and Balasubramaniam Srinivasan and Chen Cai and Gopinath Balamurugan and Michael M. Bronstein and Haggai Maron},
journal= {arXiv preprint arXiv:2110.02910},
year = {2022}
}
备注
Published at ICLR 2022, Spotlight. 46 pages