并子图神经网络

超越1-WL表达力

一种新的图神经网络，通过注入并子图中的邻居连通性信息，使其区分非同构图的能力严格强于1-WL测试。

Jiaxing, Xu · Aihu, Zhang · Qingtian, Bian · Dwivedi, Vijay Prakash · Ke, Yiping

2024

参数信息

性能提升

11.09 %

技术优势

严格强于1-WL

通过注入并子图编码，模型被证明在区分非同构图时严格强于1-WL测试。

可用于现有模型

局部编码可以作为插件注入任意消息传递神经网络和Transformer模型，提升其性能。

提升最高11.09%

将局部编码注入现有模型可以在多个任务上带来高达11.09%的性能提升。

应用场景

• 图表示学习：学习更富表达力的图表示，区分1-WL无法区分的结构。
• 图分类：提升图分类准确率，尤其在同构结构较多的数据上。
• 节点分类：利用邻域连通性增强节点特征，提升分类性能。
• 分子性质预测：捕获分子图中的边邻域完整结构，提高性质预测精度。
• 社交网络分析：更精细地建模社交网络中的局部拓扑模式。