Weisfeiler 与 Leman 走向双曲：学习保距节点表示
机器学习
2023-03-01 v2
摘要
近年来，图神经网络（GNNs）已成为解决图上机器学习问题的有力工具。大多数 GNN 属于消息传递神经网络（MPNNs）家族。这些模型与 Weisfeiler-Leman（WL）同构检验之间存在紧密联系，该算法可对广泛类别的图成功进行同构检验。最近，许多研究聚焦于衡量 GNN 的表达能力。例如，已证明标准 MPNN 在区分非同构图方面至多与 WL 一样强。然而，这些研究在很大程度上忽略了节点/图表示之间的距离，而这对学习任务至关重要。本文基于 WL 算法产生的层次结构定义节点间距离函数，并提出一种学习能够保持这些节点间距离的表示的模型。由于所涌现的层次结构对应一棵树，为学习这些表示，我们利用双曲神经网络领域的近期进展。我们在标准节点与图分类数据集上对所提模型进行实证评估，其性能与最先进模型相当。
引用
@article{arxiv.2211.02501,
title = {Weisfeiler and Leman go Hyperbolic: Learning Distance Preserving Node Representations},
author = {Giannis Nikolentzos and Michail Chatzianastasis and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2211.02501},
year = {2023}
}
备注
Accepted at AISTATS 2023