更表达性的图神经网络是否在生成任务上表现更好？

Aug, 2023

更表达性的图神经网络是否在生成任务上表现更好？

Will More Expressive Graph Neural Networks do Better on Generative Tasks?

Xiandong Zou, Xiangyu Zhao, Pietro Liò, Yiren Zhao

TL;DR通过将图生成模型的基本 GNN 替换为更具表达能力的 GNN，我们研究了 GNN 在分子图生成任务中的表现，通过对 ZINC-250k 数据集上的六种分子生成目标在两种不同生成框架（GCPN 和 GraphAF）中的六种 GNN 的性能进行了分析，实验证明先进的 GNN 确实能够提高 GCPN 和 GraphAF 在分子生成任务中的表现，但 GNN 的表达能力并非良好 GNN-based 生成模型的必要条件，此外，我们还展示了使用先进的 GNN 的 GCPN 和 GraphAF 能在其他 17 种非 GNN-based 图生成方法上（如变分自编码器和贝叶斯优化模型）在提出的分子生成目标（DRD2、Median1、Median2）上取得了最先进的结果，这些目标是药物设计中的重要指标。

Abstract

graph generation poses a significant challenge as it involves predicting a complete graph with multiple nodes and edges based on simply a given label. This task also carries fundamental importance to numerous real-world applications, including de-novo drug and →

graph generation graph neural network molecular design expressiveness of gnns state-of-the-art results

发现论文，激发创造

关于图神经网络的表达能力

该论文概述了图神经网络的 “表达能力” 概念，并就图神经网络的设计选择提供了有价值的见解。

Jan, 2024

图神经网络的表达能力：综述

为了填补这一重要方向的空白，我们首次对不同形式定义下增强表达能力的模型进行了综述，具体而言，我们根据三个类别（即图特性增强、图拓扑增强和图神经网络架构增强）对这些模型进行了回顾。

Aug, 2023

图神经网络在推荐领域的表现力如何？

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

图神经网络表达能力调查

本综述通过介绍图神经网络及其理论局限性，全面概述了图神经网络模型的表现能力及其改进版。

Mar, 2020

路径神经网络：表现力强且准确的图神经网络

本文引入 Path Neural Network 模型来提高图表达的表达能力，实验证明该模型比 1-WL 算法更加强大，且在图分类和图回归任务中表现良好。

Jun, 2023

关于超图神经网络的表达能力和泛化性

研究了超图神经网络的表达能力、学习和（结构）通用性的框架，着重研究如何从有限数据集中学习，并对任意输入大小的图推理问题进行结构上的泛化。

Mar, 2023

自动图神经网络

本研究提出自动设计深层 GNN 的方法，其中添加了新型的跳跃连接以促进特征重用和缓解梯度消失问题，并允许进化算法在演化过程中增加 GNN 层数来生成更深的网络，在 Cora、Citeseer、Pubmed 和 PPI 数据集上实验表明，GNNs 的生成结果具有最先进的性能。