通过重新审视对称性来理解并扩展子图GNN
机器学习
2022-10-17 v3
摘要
子图图神经网络(Subgraph GNN)是一类近期的可表达图神经网络(GNN)，其将图建模为子图的集合。迄今为止，可能的子图GNN架构的设计空间及其基本理论性质仍很大程度上未被探索。在本文中，我们研究最显著的子图方法形式，其采用基于节点的子图选择策略，如自我网络(ego-network)或节点标记与删除。我们解决两个核心问题：(1) 这些方法表达能力的上界是什么？以及 (2) 这些子图集合上的等变消息传递层族是什么？我们回答这些问题的第一步是一项新颖的对称性分析，其表明对基于节点的子图集合建模对称性所需的对称群显著小于先前工作所采用的对称群。该分析随后被用于建立子图GNN与不变图网络(IGN)之间的联系。我们通过首先将子图方法的表达能力限定于3-WL，然后提出一个用于子图方法的通用消息传递层族（其推广了所有先前的基于节点的子图GNN）来回答上述问题。最后，我们设计了一个名为SUN的新型子图GNN，其在理论上统一了先前的架构，同时在多个基准上提供了更好的经验性能。
引用
@article{arxiv.2206.11140,
title = {Understanding and Extending Subgraph GNNs by Rethinking Their Symmetries},
author = {Fabrizio Frasca and Beatrice Bevilacqua and Michael M. Bronstein and Haggai Maron},
journal= {arXiv preprint arXiv:2206.11140},
year = {2022}
}
备注
NeurIPS 2022, Camera Ready; 48 pages, 7 figures