层次化节点个体化图神经网络的逻辑表达性

我们提出并研究了层次化己图神经网络（HEGNNs），这是图神经网络（GNNs）的一个具有层次化节点个体化的扩展，灵感来源于用于同构测试的Individualization-Refinement范式。HEGNNs概括化了子图-GNNs，形成一系列日益具有表达性的模型，最终能够区分同构图。我们表明，对于有界度数的图，HEGNN节点分类器的分离能力等价于graded混合逻辑。这一表征使我们能够将HEGNNs的分离能力与更高阶GNNs、采用局部同构计数特征的GNNs以及基于Individualization-Refinement的颜色细化算法联系起来。我们的实验结果确认了HEGNNs的实际可行性，与传统GNN架构相比在各种情况下都能取得显著效果，无论是否包含局部同构计数特征。