【斯坦福CS224W】图神经网络理论，77页ppt

图机器学习讲述关于《图神经网络理论》最新课程。

图网络(GNNs)的新变体层出不穷，但是却鲜有对图网络框架的理论分析。Kipf在2017年提出的GCN中，曾从图上的谱分析的角度给出了GCN的理论基础；近期也有日本研究者从图信号处理的角度，表明GNNs只是一个低频滤波器(arxiv.org/abs/1905.09550)。而本文尝试从图同构的角度出发，以Weisfeiler-Lehman Isomorphism Test (WL test)为基础，给出了GNNs表征能力的精彩理论分析，具体的贡献总结如下：

1. 作者表明，在区别不同图结构时，GNNs最多只能取得和 WL test 一样效果，即，GNNs表征能力的上限是WL test；

2. 作者也给出了构建GNNs的条件，满足这些条件后，GNNs的表征能力和 WL test一样强；

3. 给出了GCN和GraphSAGE等传统图网络框架不能区分的网络结构；

4. 建立了一个简单的框架GIN，并在理论上证明了其表征能力和 WL test一样强。

总结起来，全文需要回答两个关键性的问题：

1. GNNs表征能力的上限是什么？

2. 怎样的GNNs 框架设计才能达到最好的表征能力？

斯坦福CS224W《图机器学习》2021课程开始了！Jure Leskovec大牛主讲，附课程PPT下载

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GNN77” 可以获取《【斯坦福CS224W】图神经网络理论，77页ppt》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源