We propose a 2-WL-like geometric graph isomorphism test and prove it is complete when applied to Euclidean Graphs in $\mathbb{R}^3$. We then use recent results on multiset embeddings to devise an efficient geometric GNN model with equivalent separation power. We verify empirically that our GNN model is able to separate particularly challenging synthetic examples, and demonstrate its usefulness for a chemical property prediction problem.
翻译:我们提出类似 2 WL 的几何图形形态测试, 并用$\ mathbb{R ⁇ 3$来证明它应用到欧几里德图时是完整的。 然后我们利用最近多套嵌入的结果设计一个具有等量分离力的高效几何GNN模型。 我们通过经验来核实我们的GNN模型能够分离出特别具有挑战性的合成例子, 并证明它对化学属性预测问题的有用性。