Twin Weisfeiler-Lehman：用于图分类的高表达力 GNNs
机器学习
2022-03-23 v1
摘要
消息传递 GNNs 的表达能力以 Weisfeiler-Lehman (WL) 测试为上界。为了实现超越 WL 测试的高表达力 GNNs，我们提出了一种新的图同构测试方法，即 Twin-WL，它同时传递节点标签和节点标识，而不是像 WL 那样仅传递节点标签。标识传递机制编码了有根子图的完整结构信息，因此 Twin-WL 在区分图结构方面能够提供超越 WL 的额外能力。基于 Twin-WL，我们通过对有根子图定义 readout 函数实现了两个用于图分类的 Twin-GNNs：一个简单地 readout 有根子图的大小，另一个以 GNN 风格 readout 子图的丰富结构信息。我们证明这两个 Twin-GNNs 均比传统消息传递 GNNs 具有更高的表达能力。实验也表明，Twin-GNNs 在图分类任务上显著优于 state-of-the-art 方法。
引用
@article{arxiv.2203.11683,
title = {Twin Weisfeiler-Lehman: High Expressive GNNs for Graph Classification},
author = {Zhaohui Wang and Qi Cao and Huawei Shen and Bingbing Xu and Xueqi Cheng},
journal= {arXiv preprint arXiv:2203.11683},
year = {2022}
}