Weisfeiler 与 Leman 的神经网络化：高阶图神经网络
机器学习
2021-12-01 v5 人工智能
计算机视觉与模式识别
神经与进化计算
机器学习
摘要
近年来，图神经网络（GNN）已成为一种强大的神经架构，以有监督的端到端方式学习节点与图的向量表示。迄今为止，GNN 仅经过经验评估——展现出 promising 结果。以下工作从理论角度研究 GNN，并将其与 维 Weisfeiler-Leman 图同构启发式算法（-WL）相联系。我们表明 GNN 在区分非同构（子）图方面与 -WL 具有相同的表达能力。因此，两种算法也具有相同的局限性。基于此，我们提出 GNN 的推广，即所谓的 维 GNN（-GNN），其可考虑多尺度下的高阶图结构。这些高阶结构在社交网络与分子图的刻画中起着关键作用。我们的实验评估证实了我们的理论发现，并确认高阶信息在图分类与回归任务中是有用的。
引用
@article{arxiv.1810.02244,
title = {Weisfeiler and Leman Go Neural: Higher-order Graph Neural Networks},
author = {Christopher Morris and Martin Ritzert and Matthias Fey and William L. Hamilton and Jan Eric Lenssen and Gaurav Rattan and Martin Grohe},
journal= {arXiv preprint arXiv:1810.02244},
year = {2021}
}
备注
Extended version with proofs, accepted at AAAI 2019, added units of measurement of QM9 dataset into appendix, removed results from Wu et al., 2018 due to different units