图神经网络的表达能力有多强？
机器学习
2019-02-26 v3 计算机视觉与模式识别
机器学习
摘要
图神经网络（GNNs）是一种用于图表示学习的有效框架。GNNs遵循邻域聚合方案，其中节点的表示向量通过其相邻节点表示向量的递归聚合与变换来计算。许多GNN变体已被提出，并在节点和图分类任务上取得了最先进的结果。然而，尽管GNNs彻底改变了图表示学习，人们对其表示性质和局限性的理解仍然有限。在此，我们提出了一个用于分析GNNs捕捉不同图结构之表达能力的理论框架。我们的结果刻画了流行GNN变体（如Graph Convolutional Networks和GraphSAGE）的判别能力，并表明它们无法学会区分某些简单图结构。随后我们开发了一个简单架构，该架构在GNNs类别中被证明具有最强表达能力，并且与Weisfeiler-Lehman图同构测试一样强大。我们在多个图分类基准上对我们的理论发现进行了实证验证，并证明我们的模型取得了最先进的性能。
引用
@article{arxiv.1810.00826,
title = {How Powerful are Graph Neural Networks?},
author = {Keyulu Xu and Weihua Hu and Jure Leskovec and Stefanie Jegelka},
journal= {arXiv preprint arXiv:1810.00826},
year = {2019}
}