ICMLAug, 2022

PWLR 图表示法：带有随机游走的持续 Weisfeiler-Lehman 分类方案

PDF
TL;DR提出了基于逐步 Weisfeiler-Lehman 随机游走方案（PWLR）的持久化算法，通过规范化的 Weisfeiler-Lehman 程序、图上随机游走和持久化同调等方法，将图的局部拓扑特征、节点度和全局拓扑不变量等特征结合起来，生成可解释的低维表示，该算法可以高效地分类带有离散或连续节点特征的图形，并取得可比较的结果。
发现论文，激发创造
  • 关于 Weisfeiler-Lehman 测试及其变体的简短教程

    本短文介绍了几个 Weisfeiler-Lehman 算法的变体，这些算法用于衡量图神经网络的表达能力， 并解释了 WL 和 folklore-WL 公式之间的区别。

    Jan, 2022

  • Weisfeiler 和 Leman 的循环：图形表示学习的新层次结构

    介绍了一种新的图同构测试层次结构和相应的 GNN 框架，可以计算长度为 r+2 的环的数量，并且能够计算仙人掌图的同态数量，实验证明该框架在多个合成数据集上具有表达能力和计数能力，并在多个真实数据集上取得了最先进的预测性能。

    Mar, 2024

  • 关系 Weisfeiler-Leman 预测理论

    我们的研究旨在系统理解知识图谱中图神经网络的表达能力和局限性，并通过关系 Weisfeiler-Leman 算法对不同模型的表现进行表征，最终阐明了一些常用的实际设计选择的优势。

    Feb, 2023

  • 使用 Weisfeiler-Leman 算法进行图机器学习的实力

    本文全面概述了基于 Weisfeiler-Leman 算法的机器学习及其在监督学习、图和节点分类、神经架构连接等方面的应用及未来方向。

    May, 2021

  • Wasserstein Weisfeiler-Lehman 图核

    本文介绍了一种基于 Wasserstein 距离和 Weisfeiler-Lehman embedding 的新型图卷积核方法，以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。

    Jun, 2019

  • 基于图的表示学习方法泛化框架

    本论文介绍了带标记的随机游走的概念，以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广，可适用于传导学习、归纳学习以及具备属性的图形数据，并在多个领域的各种图形上验证了该算法的有效性。

    Sep, 2017

  • 维斯费勒和勒曼进入了机器学习：迄今为止的故事

    该论文综述了基于 Weisfeiler-Leman 算法的算法和神经结构，其在机器学习中具有图形和关系数据方面的强大功能，特别是在监督式学习方面。此外，该论文还讨论了算法的理论背景，如何在有监督的图形和节点表示学习中使用它，并概述了连接到神经结构的算法扩展和当前应用和未来方向的概述，以刺激进一步的研究。

    Dec, 2021

  • 关于 Weisfeiler-Leman 不变性的子图计数和相关图属性

    本文主要研究维斯费勒 - 利曼算法在子图模式匹配中的应用，关注于 $k=1,2$ 的情况下，探究满足 $k$-WL 不变性的子图模式，其发生次数也同样具有 $k$-WL 不变性，最终在 $k=1$ 和 $k=2$ 情况下得出完整结论。

    Nov, 2018

  • Weisfeiler 和 Leman 稀疏化：走向可伸缩的高阶图嵌入

    本文提出一种基于 Weisfeiler-Leman 算法和神经网络架构的图核方法，能够处理高阶交互，同时具有表达能力、可扩展性和防止过拟合等优点。实验表明，与原算法相比，局部算法（包括核和神经体系结构）具有快速计算时间和防止过拟合的优势，并且在多个基准数据集上实现了最新的图分类技术成果，同时展现了在大规模分子回归任务上的性能。

    Apr, 2019

  • 大规模属性图的归纳表征学习

    本研究提出了一个基于属性随机游走的框架用于推断网络表示学习，该框架可以更广泛地应用于现有的机器学习方法中，并解决了现有方法中节点身份相关性的固有问题。

    Oct, 2017