【NeurIPS 2021】强大图表示的重建

图神经网络的表达能力有限，不能正确地表示许多图类。虽然表达性更强的图表示学习(GRL)替代品可以区分其中一些类，但它们非常难以实现，可能可扩展性不好，而且在现实任务中也没有显示出比调优的GNN更好的性能。因此，设计简单、可扩展和表达的GRL架构，同时实现真实世界的改进，仍然是一个开放的挑战。在这项工作中，我们展示了图重构——从图的子图重构图——能够减轻GRL体系结构目前面临的理论和实践问题的程度。首先，我们利用图重构来构建两个新的表达图表示类。其次，我们展示了图重构如何提高任何GNN架构的表达能力，同时作为一个(可证明的)强大的对顶点移除的不变性的归纳偏差。通过解决7个原始GNN无法解决的图属性任务，我们展示了重构如何提高GNN的表达能力，同时保持其对顶点排列的不变性。此外，我们演示了它如何提高最先进的GNN的性能跨越九个真实世界的基准数据集。

https://www.zhuanzhi.ai/paper/d317e28c549e3b94855679a5a05b4fa6