图神经网络统一的表达力度
机器学习
2026-02-23 v1 人工智能
计算机科学中的逻辑
摘要
图神经网络（GNN）的表达力度通常通过与 Weisfeiler-Leman（WL）算法及其一阶逻辑片段的对应性来分析。标准 GNN 仅能在即时邻域或全局读取之间进行聚合。为提高表达力度，近期尝试 incorpora 子结构信息（例如循环计数和子图属性）。本文通过引入模板图神经网络（T-GNN），形式化了这一架构趋势：在指定的图模板集合上，通过聚合有效模板嵌入来更新节点特征。我们提出相应的逻辑——Graded template modal logic（GML(T）），以及模板基准化和 WL 算法的广义概念。我们证明了 T-GNN 的表达力度等价于 GML(T），并提供了一种统一的 GNN 表达力度分析方法：我们展示了标准 AC-GNN 及其最新变体可解释为 T-GNN 的实例。
引用
@article{arxiv.2602.18409,
title = {Unifying approach to uniform expressivity of graph neural networks},
author = {Huan Luo and Jonni Virtema},
journal= {arXiv preprint arXiv:2602.18409},
year = {2026}
}