图神经网络中池化操作的表达能力
机器学习
2023-10-16 v3
摘要
在图神经网络(GNNs)中，层次化池化算子通过粗化图结构与顶点特征来生成数据的局部摘要。尽管已有大量工作分析GNN中消息传递(MP)层的表达能力，关于图池化如何影响GNN表达性的研究仍然缺乏。此外，尽管近期池化算子设计取得进展，仍缺少一种原则性准则来比较它们。本工作中，我们推导了池化算子充分保留其前MP层表达能力的充分条件。这些条件作为通用且理论扎实的准则，可用于在现有池化算子中选择或设计新算子。基于我们的理论发现，我们分析若干现有池化算子并识别出那些不满足表达性条件的算子。最后，我们引入一种实验设置，从执行图同构测试的能力角度实证验证配备池化层的GNN之表达能力。
引用
@article{arxiv.2304.01575,
title = {The expressive power of pooling in Graph Neural Networks},
author = {Filippo Maria Bianchi and Veronica Lachi},
journal= {arXiv preprint arXiv:2304.01575},
year = {2023}
}