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

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

本文对静态无向同质图和动态图、属性图等不同类型的图中图神经网络（GNNs）的表达能力进行了理论分析，提出了适当的 1-WL 测试，并证明了 GNNs 与 1-WL 测试在区分动态图和属性图上具有相同的能力，且 GNNs 可以模拟 1-WL 测试，包括大多数实际应用中使用的静态无向同质图（SAUHGs）等。

Oct, 2022

本研究介绍了一种基于图神经网络 (GNN) 计算等变多项式的表达能力层级方法，并提出了一种新的具有更具体指导意义的算法工具来评估 GNN 表达能力。同时，通过增加多项式特征或其他操作 / 聚合的方法，提高了 GNN 架构的表达能力，实现了在多个图形学习基准中的最新结果。

Feb, 2023

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

该研究探讨了基于图神经网络的表达能力，提出了一种连续化的方法来反映图之间的相似程度并给出了各种拓扑特征的理论框架来描述基于树距离的图表达能力。

Jun, 2023

本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。

Jun, 2022

通过分析图同态性的熵，我们提出了一种新的视角来研究图神经网络的泛化能力，并通过将图同态性与信息论度量联系起来，得出了适用于图和节点分类的泛化界限。通过我们提出的界限，能够捕捉到各种图结构的细微差别，包括但不限于路径、环和完全子图。通过图同态性，我们呈现了一个统一的框架，能够揭示广谱 GNN 模型的特性。通过在真实世界和人工合成数据集上观察到的泛化差距，我们验证了理论发现的实际可应用性。

Mar, 2024

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

使用张量语言以及 Weisfeiler-Leman 测试为模型分析提供了一种优雅的方法，通过索引和求和嵌套深度的简单分析得到了对 GNN 的分离能力的边界和某些类的普适性结果，并提供了一些提高 GNN 分离能力的见解。

Apr, 2022