利用 Tinhofer 算法提升图神经网络的表达能力
机器学习
2021-04-06 v1
摘要
近年来，图神经网络（GNN）因其在处理基于图的数据方面的能力而蓬勃发展。大多数 GNN 遵循消息传递机制，其表达能力在数学上受限于 Weisfeiler-Lehman（WL）检验的判别能力。遵循 Tinhofer 关于紧图的研究，我们提出了一种消息传递机制的变体，称为 Weisfeiler-Lehman-Tinhofer GNN（WLT-GNN），其在理论上突破了 WL 检验的限制。此外，我们在多个知名数据集上进行了对比实验和消融研究。结果表明，所提方法在这些数据集上具有可比性能且更强的表达能力。
引用
@article{arxiv.2104.01848,
title = {Improving the Expressive Power of Graph Neural Network with Tinhofer Algorithm},
author = {Alan J. X. Guo and Qing-Hu Hou and Ou Wu},
journal= {arXiv preprint arXiv:2104.01848},
year = {2021}
}