K跳消息传递图神经网络的表达能力有多强
机器学习
2023-01-09 v4 人工智能
摘要
图神经网络（GNNs）最流行的设计范式是 1-跳消息传递——重复聚合来自 1-跳邻居的信息。然而，1-跳消息传递的表达能力受 Weisfeiler-Lehman（1-WL）测试限制。近来，研究者将 1-跳消息传递扩展为 K-跳消息传递，同时聚合节点 K-跳邻居的信息。然而，尚无工作分析 K-跳消息传递的表达能力。本工作中，我们从理论上刻画了 K-跳消息传递的表达能力。具体而言，我们首先正式区分了先前工作中常被误用的 K-跳消息传递的两种不同核。随后我们通过表明其比 1-WL 更强大且可区分几乎所有正则图来刻画 K-跳消息传递的表达能力。尽管表达能力更高，我们表明 K-跳消息传递仍无法区分某些简单正则图，且其表达能力受 3-WL 限制。为进一步增强其表达能力，我们引入了 KP-GNN 框架，通过利用每一跳中的外围子图信息改进 K-跳消息传递。我们表明 KP-GNN 可区分许多先前距离编码或 3-WL 方法无法区分的距离正则图。实验结果验证了 KP-GNN 的表达能力与有效性。KP-GNN 在所有基准数据集上取得了具竞争力的结果。
引用
@article{arxiv.2205.13328,
title = {How Powerful are K-hop Message Passing Graph Neural Networks},
author = {Jiarui Feng and Yixin Chen and Fuhai Li and Anindya Sarkar and Muhan Zhang},
journal= {arXiv preprint arXiv:2205.13328},
year = {2023}
}
备注
Accepted to NeurIPS 2022