KerGNNs：具有图核的可解释图神经网络
机器学习
2022-02-28 v2 人工智能
摘要
图核 historically 是图分类任务中应用最广泛的技术。然而，这些方法由于图的手工组合特征而性能受限。近年来，图神经网络（GNNs）凭借其优越性能成为下游图相关任务的最优方法。大多数 GNN 基于消息传递神经网络（MPNN）框架。但近期研究表明，MPNN 在图同构测试中的能力无法超越 Weisfeiler-Lehman（WL）算法。为解决现有图核与 GNN 方法的局限，本文提出一种新颖的 GNN 框架，称为核图神经网络（KerGNNs），它将图核整合进 GNN 的消息传递过程。受卷积神经网络（CNNs）中卷积滤波器启发，KerGNNs 采用可训练的隐图作为图滤波器，与子图结合利用图核更新节点嵌入。此外，我们表明 MPNN 可视为 KerGNNs 的特例。我们将 KerGNNs 应用于多个图相关任务，并使用交叉验证与基准进行公平比较。结果表明，与现有最优方法相比，我们的方法取得了具有竞争力的性能，展现出提升 GNN 表达能力的潜力。我们还表明，KerGNNs 中训练得到的图滤波器能够揭示数据集的局部图结构，相比传统 GNN 模型显著提升了模型可解释性。
引用
@article{arxiv.2201.00491,
title = {KerGNNs: Interpretable Graph Neural Networks with Graph Kernels},
author = {Aosong Feng and Chenyu You and Shiqiang Wang and Leandros Tassiulas},
journal= {arXiv preprint arXiv:2201.00491},
year = {2022}
}