将Weisfeiler-Lehman核推广至子图

子图表示学习在解决各种现实世界问题中已展现出有效性。然而，当前的图神经网络（GNN）在子图级任务上产生的结果并不理想，因为它们无法捕捉子图内部及子图之间的复杂交互。为了提供一种更具表达力且更高效的替代方案，我们提出了WLKS，这是一种通过将Weisfeiler-Lehman（WL）算法应用于诱导的k跳邻域而推广至子图的WL核。我们结合了不同k跳级别的核，以捕捉现有模型未能完全编码的更丰富的结构信息。我们的方法无需进行邻域采样，从而能够在表达力和效率之间取得平衡。在八个真实世界和合成基准数据集上的实验中，WLKS在五个数据集上显著优于领先方法，同时将训练时间缩短至现有最优方法的0.01倍到0.25倍。