借助 BREC 数据集更好地评估 GNN 表达能力
本文提出了一种基于图双连通性的表达能力度量方法，发现大多数常见 GNN 架构在此度量下缺乏表达能力，但 ESAN 框架具有可证明的表达能力。作者进一步引入 GD-WL 模型，该模型可通过 Transformer 与 Weisfeiler-Lehman 算法相结合来计算表达能力，并通过实验表明其在绝大多数数据集上效果显著优于现有 GNN 架构。
Jan, 2023
基于同态表示的图神经网络（Graph Neural Networks）的表达能力及其在子图计数等实际需求方面的量化研究。
Jan, 2024
本文提供了关于图神经网络在推荐系统中表达能力的全面理论分析，考虑了图同构、节点自同构和拓扑接近度等三个层面的表达能力指标，并引入了拓扑接近度指标来评估图神经网络对节点之间结构距离的捕捉能力，从而更好地满足推荐任务的目标。为了验证这一新指标对推荐性能评估的有效性，我们介绍了一种适用于该指标的无学习图神经网络算法，并进行了广泛的实验证明其可解释性在推荐任务中的表现，代码可在给出的链接中获得。
Aug, 2023
本研究提出了符合物理对称性的几何图卷积神经网络测试 GWL，并使用 GWL 研究了符合物理对称性的几何图卷积神经网络的表达能力，发现等变层扩展了局部邻域之外的几何信息，高阶张量和标量化使几何图卷积神经网络具有最大的表达能力。
Jan, 2023
揭示了从图形理论和基准审计中发掘 $k$-WL 不保证等距、可能与现实世界的图形任务无关，并且可能无法促进泛化或可靠性，同时提出了基于基准测试的表达能力的外延定义和测量，为构建此类基准测试提供了指导性问题，这对于进展图形机器学习至关重要。
Jul, 2023
本文研究和比较了不同的图神经网络扩展方法，包括基于更高阶 Weisfeiler-Leman 方法、对图中小子结构进行预处理、对图进行局部预处理和计算嵌入等方法，并通过一系列实例构造比较了这些方法的表达能力。
Jan, 2022
本文探讨了图同构、图神经网络的表达能力及其应用。作者提出了 k - 阶不变 / 本质等变图神经网络，并将此网络应用于图分类的任务中。实验表明，模型在数据集上表现的优异，证明了本文所提出的模型是有实用价值的。
May, 2019
通过理论分析和扩展 Fragment-WL 测试，我们提出了一种基于片段信息的高阶图神经网络架构，大大增强了理论表达力，并在合成和真实数据中优于其它片段偏置模型，以及与最新的基于 Transformer 的架构相比表现出更强大的泛化能力，成为分子建模任务的可靠解决方案。
Jun, 2024