【AAAI2021-斯坦福】身份感知的图神经网络

https://www.zhuanzhi.ai/paper/3696ec78742419bdaa9c23dce139b3d4

消息传递图神经网络(GNNs)为关系数据提供了强大的建模框架。曾经，现有GNN的表达能力上界取决于1- Weisfeiller -Lehman (1-WL)图同构测试，这意味着gnn无法预测节点聚类系数和最短路径距离，无法区分不同的d-正则图。在这里，我们提出了一类传递消息的GNN，称为身份感知图神经网络(ID- GNNs)，具有比1-WL测试更强的表达能力。ID-GNN为现有GNN的局限性提供了一个最小但强大的解决方案。ID-GNN通过在消息传递过程中归纳地考虑节点的身份来扩展现有的GNN体系结构。为了嵌入一个给定的节点，IDGNN首先提取以该节点为中心的自我网络，然后进行轮次异构消息传递，中心节点与自我网络中其他周围节点应用不同的参数集。我们进一步提出了一个简化但更快的ID-GNN版本，它将节点标识信息作为增强节点特征注入。总之，ID-GNN的两个版本代表了消息传递GNN的一般扩展，其中实验表明，在具有挑战性的节点、边缘和图属性预测任务中，将现有的GNN转换为ID-GNN平均可以提高40%的准确率;结点和图分类在基准测试上提高3%精度;在实际链路预测任务提高15%的ROC AUC。此外，与其他特定于任务的图网络相比，ID- GNN表现出了更好的或相当的性能。