通过边级自我网络编码改进子图GNN
机器学习
2024-05-03 v2 人工智能
摘要
我们提出了一种新颖的边级自我网络编码用于图学习，它可以通过提供额外的节点和边特征或扩展消息传递格式来增强消息传递图神经网络(MP-GNN)。所提出的编码足以区分强正则图，这是一类具有挑战性的3-WL等价图。我们从理论上证明，这种编码比基于节点的子图MP-GNN更具表达能力。在包含10个图数据集的四个基准上的实证评估中，我们的结果在表达能力、图分类、图回归和邻近任务上匹配或改进了之前的基线，同时在特定实际场景中将内存使用减少了18.1倍。
引用
@article{arxiv.2312.05905,
title = {Improving Subgraph-GNNs via Edge-Level Ego-Network Encodings},
author = {Nurudin Alvarez-Gonzalez and Andreas Kaltenbrunner and Vicenç Gómez},
journal= {arXiv preprint arXiv:2312.05905},
year = {2024}
}
备注
TMLR, graph neural networks, weisfeiler-lehman, expressivity, higher-order GNNs, 3-WL, 1-WL, edge-level, ego-networks