通过子图同构计数提升图神经网络表达能力
机器学习
2023-09-26 v3 社会与信息网络
机器学习
摘要
尽管图神经网络（GNN）已在多种应用中取得显著成果，近期研究揭示了其在捕捉底层图结构能力上的重要缺陷。已有研究表明，标准 GNN 的表达能力受限于 Weisfeiler-Leman（WL）图同构测试，并由此继承了诸如无法检测和计数图子结构等已知局限。另一方面，在网路科学与生物信息学等领域存在大量经验证据表明，子结构常与下游任务密切相关。为此，我们提出“图子结构网络”（GSN），一种基于子结构编码的拓扑感知消息传递方案。我们从理论上分析了该架构的表达能力，证明其严格强于 WL 测试，并给出了通用性的充分条件。重要的是，我们并不试图遵循 WL 层次结构；这使得我们能够在保留标准 GNN 的局部性与线性网络复杂度等若干优良性质的同时，甚至能够区分困难的图同构实例。我们在图分类与回归任务上进行了广泛的实验评估，并在包括分子图与社交网络在内的多种真实场景中获得最先进（state-of-the-art）结果。代码已公开于 https://github.com/gbouritsas/graph-substructure-networks。
引用
@article{arxiv.2006.09252,
title = {Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting},
author = {Giorgos Bouritsas and Fabrizio Frasca and Stefanos Zafeiriou and Michael M. Bronstein},
journal= {arXiv preprint arXiv:2006.09252},
year = {2023}
}