图神经网络的表达能力：综述
机器学习
2025-01-13 v2 社会与信息网络
摘要
图神经网络（GNNs）是许多图相关应用中有效的机器学习模型。尽管取得了经验上的成功，许多研究工作聚焦于 GNNs 的理论局限，即 GNNs 的表达能力。该领域的早期工作主要研究 GNNs 的图同构识别能力，近期工作则尝试利用子图计数和连通性学习等性质来刻画 GNNs 的表达能力，这些性质更实用且更贴近真实世界。然而，尚无综述论文和开源仓库全面总结并讨论这一重要方向上的模型。为填补空白，我们针对在不同形式定义下增强表达能力的模型进行了首次综述。具体而言，基于图特征增强、图拓扑增强和 GNNs 架构增强三类对模型进行回顾。
引用
@article{arxiv.2308.08235,
title = {The Expressive Power of Graph Neural Networks: A Survey},
author = {Bingxu Zhang and Changjun Fan and Shixuan Liu and Kuihua Huang and Xiang Zhao and Jincai Huang and Zhong Liu},
journal= {arXiv preprint arXiv:2308.08235},
year = {2025}
}