并子图神经网络
机器学习
2024-01-10 v3
摘要
图神经网络（GNN）在许多应用领域被广泛用于图表示学习。原始 GNN 的表达能力受限于 1 维 Weisfeiler-Leman（1-WL）测试，因为它们通过迭代消息传递在根子树上进行操作。在本文中，我们通过注入从一种新型子结构中提取的邻域连通性信息来增强 GNN。我们首先研究局部邻域中存在的不同类型的连通性，并识别出一种称为并子图的子结构，它能够捕获一条边的 1 跳邻域的完整图景。然后，我们设计了一种基于最短路径的子结构描述符，它具有三个优良特性，能够有效编码并子图中的高阶连通性。通过注入编码后的邻域连通性，我们提出了一种新颖的模型，即并子图神经网络，并证明其在区分非同构图方面严格比 1-WL 更强大。此外，来自并子图的局部编码也可以作为插件注入到任意消息传递神经网络和基于 Transformer 的模型中。在图级和节点级任务的 18 个基准上的大量实验表明，UnionSNN 优于 SOTA 基线模型，且具有竞争力的计算效率。将我们的局部编码注入现有模型能够使性能提升高达 11.09%。我们的代码可在 https://github.com/AngusMonroe/UnionSNN 获取。
引用
@article{arxiv.2305.15747,
title = {Union Subgraph Neural Networks},
author = {Jiaxing Xu and Aihu Zhang and Qingtian Bian and Vijay Prakash Dwivedi and Yiping Ke},
journal= {arXiv preprint arXiv:2305.15747},
year = {2024}
}