FSW-GNN：一种双 Lipschitz 等价于 Weisfeiler-Lehman 图神经网络
机器学习
2026-03-03 v2 人工智能
摘要
众所周知，信息传递神经网络（MPNN）在区分图的能力受限于 Weisfeiler-Lehman（WL）图同构测试的可分离图，而在分离能力方面最强的 MPNN 均为 WL 等价。然而，已证明标准 WL 等价 MPNN 提供的分离质量可能非常低，导致 WL 可分离图被映射为高度相似、几乎难以区分的输出。这种现象可由最近的观察解释：标准 MPNN 不是下 Lipschitz 的。本文通过引入 FSW-GNN，第一个完全关于标准 WL 等价图度量双 Lipschitz 的 MPNN 来解决此问题。我们在实际中证明，该 MPNN 在多个图学习任务中与标准 MPNN 相当，并且在长程任务中因其避免平滑和压扁的能力而远准确。我们的代码已公开于 https://github.com/yonatansverdlov/Over-squashing。
引用
@article{arxiv.2410.09118,
title = {FSW-GNN: A Bi-Lipschitz WL-Equivalent Graph Neural Network},
author = {Yonatan Sverdlov and Yair Davidson and Nadav Dym and Tal Amir},
journal= {arXiv preprint arXiv:2410.09118},
year = {2026}
}
备注
Accepted at the Fourth Learning on Graphs Conference (LoG 2025)