面向高表达性图神经网络的不变性-分层传播
机器学习
2026-05-19 v1 机器学习
摘要
图神经网络（GNN）在表达性和捕捉结构异质性方面存在根本性局限。标准的消息传递架构受制于1维韦尔氏-莱姆（1-WL）测试，无法区分超过度序列的图，并从邻居处统一聚合信息，无法捕捉节点在更高阶模式中占据不同结构位置的能力。虽然已有方法实现更高的表达性，但计算成本高昂且缺乏统一框架来灵活编码多样化的结构属性。为此，我们引入不变性-分层传播（ISP），该框架包括新的WL变体（ISP-WL）及其高效神经网络实现（ISPGNN）。ISP根据图不变量对节点进行分层处理，在层次化结构异质性编码下揭示1-WL无法看见的结构差异。通过层次化结构异质性编码，ISP量化了节点在更高阶模式中结构位置的差异，区分参与者占据不同角色与统一参与的交互。我们提供形式化理论分析，建立超越1-WL的增强表达性、收敛性保证以及对过平滑的天然抗性。广泛实验表明，在图分类、节点分类和影响估计任务中，ISP均显著优于标准架构和最新高表达性基线。
引用
@article{arxiv.2603.01388,
title = {Invariant-Stratified Propagation for Expressive Graph Neural Networks},
author = {Asela Hevapathige and Ahad N. Zehmakan and Asiri Wijesinghe and Saman Halgamuge},
journal= {arXiv preprint arXiv:2603.01388},
year = {2026}
}