从关系池化到子图 GNN：更具表达力的图神经网络的通用框架

Cai Zhou; Xiyuan Wang; Muhan Zhang

从关系池化到子图 GNN：更具表达力的图神经网络的通用框架

机器学习 2023-05-10 v1 人工智能

作者: Cai Zhou , Xiyuan Wang , Muhan Zhang

摘要

关系池化（relational pooling, RP）是一个构建更具表达力且置换不变的图神经网络的框架。然而，对 RP 表达力的确切提升及其与 Weisfeiler Lehman 层级的联系理解有限。从 RP 出发，我们提出显式地为节点分配标签作为附加特征，以提升消息传递神经网络的表达能力。该方法随后扩展到更高维 WL，导出一个新颖的 $k,l$ -WL 算法，一个比 $k$ -WL 更通用的框架。理论上，我们分析了 $k,l$ -WL 相对于 $k$ 和 $l$ 的表达力，并将其与大量子图 GNN 统一。我们还系统讨论了复杂度约简方法，以构建强大且实用的 $k,l$ -GNN 实例。我们从理论和实验上证明，我们的方法具有普遍兼容性，能够提升任意基 GNN 模型的表达力。我们的 $k,l$ -GNN 在许多合成和真实世界数据集上取得优越性能，验证了框架的有效性。

关键词

图神经网络关系池化 Weisfeiler Lehman 子图 GNN 表达力消息传递 k,l-WL

引用

@article{arxiv.2305.04963,
  title  = {From Relational Pooling to Subgraph GNNs: A Universal Framework for More Expressive Graph Neural Networks},
  author = {Cai Zhou and Xiyuan Wang and Muhan Zhang},
  journal= {arXiv preprint arXiv:2305.04963},
  year   = {2023}
}

备注

To be published in ICML 2023. 27 pages, 5 figures

从关系池化到子图 GNN：更具表达力的图神经网络的通用框架

摘要

关键词

引用

备注

相关论文