子图置换等变网络

本工作提出一种新方法，称为子图置换等变网络 (SPEN)，其提供了一个构建图神经网络的框架，该框架在子图上操作，同时使用置换等变的基更新函数，并对一种新选择的自同构群保持等变。消息传递神经网络已被证明表达能力有限，近期克服此局限的方法要么缺乏可扩展性，要么需将结构信息编码至特征空间。本文给出的通用框架通过在子图上更局部地操作，克服了全局置换等变带来的可扩展性问题。此外，通过在子图上操作，高维全局置换等变网络的表达能力得以提升；这是因为两个不可区分的图常包含可区分的子图。进一步，所提框架仅需选择用于创建 ego-network 子图的 $k$-跳数以及每层所用的表示空间，这使该方法易于应用于一系列基于图的领域。我们在系列图基准分类任务上实验验证该方法，在七项基准中的六项上取得与当前最优 (SOTA) 统计无差异的结果。此外，我们证明局部更新函数的使用相较全局方法显著改善 GPU 内存占用。