The Expressive Power of Graph Neural Networks: A Survey

要約

グラフ ニューラル ネットワーク (GNN) は、多くのグラフ関連アプリケーションにとって効果的な機械学習モデルです。
実証的な成功にもかかわらず、多くの研究努力は GNN の理論的限界、つまり GNN の表現力に焦点を当てています。
この分野の初期の研究は主に GNN のグラフ同型認識能力の研究に焦点を当てており、最近の研究では部分グラフのカウントや接続学習などの特性を活用して、より実用的で現実世界に近い GNN の表現力を特徴づけようとしています。
。
ただし、この重要な方向でモデルを包括的に要約し、議論している調査論文やオープンソース リポジトリはありません。
このギャップを埋めるために、さまざまな定義形式の下で表現力を強化するためのモデルの最初の調査を実施します。
具体的には、グラフ機能の強化、グラフトポロジの強化、GNN アーキテクチャの強化の 3 つのカテゴリに基づいてモデルがレビューされます。

要約(オリジナル)

Graph neural networks (GNNs) are effective machine learning models for many graph-related applications. Despite their empirical success, many research efforts focus on the theoretical limitations of GNNs, i.e., the GNNs expressive power. Early works in this domain mainly focus on studying the graph isomorphism recognition ability of GNNs, and recent works try to leverage the properties such as subgraph counting and connectivity learning to characterize the expressive power of GNNs, which are more practical and closer to real-world. However, no survey papers and open-source repositories comprehensively summarize and discuss models in this important direction. To fill the gap, we conduct a first survey for models for enhancing expressive power under different forms of definition. Concretely, the models are reviewed based on three categories, i.e., Graph feature enhancement, Graph topology enhancement, and GNNs architecture enhancement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google