通过注入上下文化的子结构信息来提升 K - 跳消息传递 GNNs 的表现力
内容提要
本研究探讨了图神经网络中的信息传递模式，提出了K-hop信息传递理论及KP-GNN框架，实验结果表明其在多个基准数据集上表现优异。此外，研究还提出了Graph Substructure Networks和Union Subgraph Neural Network等新模型，提升了图神经网络的表达能力和性能。
延伸解读
K-hop 消息传递的理论突破
文章将 K-hop 消息传递与传统的 1-hop 消息传递在理论上进行了区分，并提出了 KP-GNN 框架。这一区分意味着模型可以聚合更远距离节点的信息，从而捕捉图中更广泛的依赖关系。实验表明 KP-GNN 在多个基准数据集上表现优异，这为后续研究提供了新的方向。
子结构编码增强表达力
Graph Substructure Networks 通过注入子结构信息，实现了拓扑感知的消息传递，其表达力超越了 Weisfeiler-Leman 测试。类似地，Union Subgraph Neural Network 通过编码高阶连接性，在 17 个基准测试中表现优异，局部编码可提升性能最多 11.09%。这些方法共同表明，子结构信息是提升 GNN 表达力的关键。
效率与表达力的平衡
边缘级自我网络编码在提升 MP-GNNs 表达力的同时，减少了 18.1 倍的内存使用。SDF 模块也以更高的效率实现了更强的表达力。这些工作说明，在增强模型能力的同时，计算效率同样重要，为实际应用提供了可行方案。
Q&A
K-hop信息传递理论与1-hop信息传递有什么区别？
K-hop信息传递理论能够从k跳邻域中汇总信息，而1-hop信息传递仅限于直接邻居的信息传递。
KP-GNN框架的主要优势是什么？
KP-GNN框架通过引入K-hop信息传递理论，显著提升了模型在多个基准数据集上的表现。
Graph Substructure Networks的创新点是什么？
Graph Substructure Networks引入了拓扑感知的信息传递方案，优于传统的Weisfeiler-Leman测试。
Union Subgraph Neural Network是如何提升高阶连接性的？
Union Subgraph Neural Network通过注入新类型子结构的邻居连接信息，有效编码高阶连接性。
k-hop GNN适用于哪些任务？
k-hop GNN适用于节点分类和图分类任务，能够有效汇总k跳邻域的信息。
GNN-AK框架的主要功能是什么？
GNN-AK框架旨在提升MPNN的表达能力，通过扩展局部聚合算法到更一般的子图模式。
