论图神经网络的表达能力
机器学习
2024-03-12 v2 人工智能
摘要
过去几年，图神经网络的研究受到了相当大的关注。通过将深度学习扩展到图结构数据，GNN 可以解决社会科学、化学和医学等领域中的多种任务。GNN 架构的发展主要集中在提高节点或图分类等任务的实证性能上。然而，最近的一系列工作则转而寻求找到具有理想理论性质的 GNN 架构——通过研究其表达能力并设计最大化这种表达能力的架构。尽管对于定义 GNN 表达能力的最佳方式尚无共识，但可以从几个动机明确的视角来看待它。也许最自然的方法是研究 GNN 的通用逼近性质，这与对 MLPs 广泛研究的方式非常相似。另一个方向侧重于 GNN 区分不同图结构的程度，并将其与图同构测试联系起来。此外，GNN 计算图属性（如图矩）的能力也被建议作为表达能力的另一种形式。所有这些不同的定义是互补的，并为 GNN 架构选择产生了不同的建议。在本文中，我们希望概述 GNN “表达能力”的概念，并就 GNN 的设计选择提供一些有价值的见解。
引用
@article{arxiv.2401.01626,
title = {On the Expressive Power of Graph Neural Networks},
author = {Ashwin Nalwade and Kelly Marshall and Axel Eladi and Umang Sharma},
journal= {arXiv preprint arXiv:2401.01626},
year = {2024}
}
备注
We felt that significantly more work was needed to improve the quality before it should be put out in its current state. No replacement is available at the moment or in the near future