Improving Subgraph-GNNs via Edge-Level Ego-Network Encodings

要約

追加のノードおよびエッジ機能を提供したり、メッセージ パッシング形式を拡張したりすることで、メッセージ パッシング グラフ ニューラル ネットワーク (MP-GNN) を強化できる、グラフ上で学習するための新しいエッジ レベルのエゴ ネットワーク エンコーディングを紹介します。
提案されたエンコーディングは、困難な 3-WL 等価グラフのファミリーである Strongly Regular Graphs を区別するのに十分です。
我々は、このようなエンコーディングがノードベースのサブグラフ MP-GNN よりも表現力豊かであることを理論的に示します。
10 個のグラフ データセットを使用した 4 つのベンチマークでの実証的評価では、結果は、表現力、グラフ分類、グラフ回帰、および近接タスクに関して以前のベースラインと一致または向上し、同時に特定の現実世界の設定ではメモリ使用量を 18.1 倍削減しました。

要約(オリジナル)

We present a novel edge-level ego-network encoding for learning on graphs that can boost Message Passing Graph Neural Networks (MP-GNNs) by providing additional node and edge features or extending message-passing formats. The proposed encoding is sufficient to distinguish Strongly Regular Graphs, a family of challenging 3-WL equivalent graphs. We show theoretically that such encoding is more expressive than node-based sub-graph MP-GNNs. In an empirical evaluation on four benchmarks with 10 graph datasets, our results match or improve previous baselines on expressivity, graph classification, graph regression, and proximity tasks — while reducing memory usage by 18.1x in certain real-world settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google