迈向具表达力的图表示
机器学习
2020-10-13 v1 人工智能
信息论
math.IT
摘要
图神经网络（GNN）将每个节点的邻域聚合为节点嵌入，并展现出强大的图表示学习能力。然而，大多数现有 GNN 变体以固定的非单射方式聚合邻域信息，可能将不同图或节点映射到同一嵌入，降低了模型表达力。我们提出一个理论框架，用于设计 GNN 中邻域聚合的连续单射集合函数。利用该框架，我们提出具表达力的 GNN，其以连续单射集合函数聚合各节点邻域，从而使 GNN 层将具有相似邻域的相似节点映射到相似嵌入、不同节点到不同嵌入、等价节点或同构图到相同嵌入。此外，所提具表达力 GNN 可自然学习具有连续节点属性的图的表达性表示。我们在包含简单图与属性图的多个基准数据集上验证了所提具表达力 GNN（ExpGNN）的图分类性能。实验结果表明，我们的模型在大多数基准上取得了最先进（state-of-the-art）性能。
引用
@article{arxiv.2010.05427,
title = {Towards Expressive Graph Representation},
author = {Chengsheng Mao and Liang Yao and Yuan Luo},
journal= {arXiv preprint arXiv:2010.05427},
year = {2020}
}