走出 Weisfeiler Leman 层次：消息传递之外的图学习
机器学习
2023-08-22 v3 社会与信息网络
摘要
我们提出 CRaWl，一种用于图学习的新型神经网络架构。与图神经网络类似，CRaWl 层在图上更新节点特征，因此可自由地与 GNN 层组合或交织。然而 CRaWl 的运作根本不同于消息传递图神经网络。CRaWl 层利用一维卷积提取并聚合沿图上随机游走出现的子图信息。由此它可检测长程相互作用并计算非局部特征。作为我们方法的理论基础，我们证明了一个定理：CRaWl 的表达能力不与 Weisfeiler Leman 算法（从而不与图神经网络）可比。亦即，存在 CRaWl 可表达而 GNN 不可表达的函数，反之亦然。该结果推广至 Weisfeiler Leman 层次的更高层，从而推广至高阶 GNN。在实验上，我们表明 CRaWl 在图分类与回归的众多基准数据集上可与最先进的 GNN 架构相媲美。
引用
@article{arxiv.2102.08786,
title = {Walking Out of the Weisfeiler Leman Hierarchy: Graph Learning Beyond Message Passing},
author = {Jan Tönshoff and Martin Ritzert and Hinrikus Wolf and Martin Grohe},
journal= {arXiv preprint arXiv:2102.08786},
year = {2023}
}