具有双消息传递的图卷积网络用于子图同构计数与匹配
机器学习
2021-12-17 v1
摘要
图神经网络（GNNs）和消息传递神经网络（MPNNs）已在许多应用中被证明对子图结构具有表达能力。异构图中的某些应用需要显式的边建模，例如子图同构计数与匹配。然而，现有的消息传递机制在理论上设计得并不完善。本文从一种特定的边到顶点变换出发，并利用边到顶点对偶图中的同构性质。我们证明，在原始图上搜索同构等价于在其对偶图上搜索。基于该观察，我们提出双消息传递神经网络（DMPNNs），以异步方式增强子结构表示学习，用于子图同构计数与匹配以及无监督节点分类。大量实验通过在合成与真实异构图中结合节点与边表示学习，证明了 DMPNNs 的鲁棒性能。代码见 https://github.com/HKUST-KnowComp/DualMessagePassing。
引用
@article{arxiv.2112.08764,
title = {Graph Convolutional Networks with Dual Message Passing for Subgraph Isomorphism Counting and Matching},
author = {Xin Liu and Yangqiu Song},
journal= {arXiv preprint arXiv:2112.08764},
year = {2021}
}
备注
Accepted by AAAI 2022