通过注入情境化子结构信息来提高 $K$-跳消息传递 GNN 的表达性

图神经网络 (GNN) 已成为图上表征学习的事实标准，在许多图相关任务中取得了最先进的性能；然而，已证明标准 GNN 的表达能力最多等价于 $1$ 维 Weisfeiler-Lehman (1-WL) 测试。最近有一系列工作旨在增强图神经网络的表达能力。其中一部分工作旨在开发 $K$-跳消息传递 GNN，其中节点表示通过聚合来自距离该节点 $K$ 跳内的所有邻居的信息进行更新。另一部分工作利用子结构信息来增强表达能力，这已被证明严格超过 1-WL 测试。在本工作中，我们讨论了 $K$-跳消息传递 GNN 的局限性，并提出了子结构编码函数来提升任何 $K$-跳消息传递 GNN 的表达能力。我们进一步注入情境化子结构信息来增强 $K$-跳消息传递 GNN 的表达性。我们的方法在 $K$-跳图神经网络和 1-WL 子图 GNN 之前的工作上被证明更强大，而在 3-WL 上的表达能力则不逊于后者。实验上，我们提出的方法在各种数据集上设置了新的最先进性能或实现了可比的性能。我们的代码可在 \url{https://github.com/tianyao-aka/Expresive_K_hop_GNNs} 获取。