本文研究了子图同构计数问题，提出了Count-GNN模型，采用边为中心的消息传递方案，显著提高了计算速度。同时，提出了超图Weisfiler-Lehman测试算法，在处理复杂超图结构时速度提升达80倍。研究表明，基于图神经网络的方法在多个领域表现优越。

该文综述图子结构计数与图神经网络结合的研究，提出Count-GNN、Graph Motif Parameters、子图同构学习框架、Graph Substructure Networks、H2GCN、Motif-CNN等方法，用于子图计数和节点分类，提升可解释性、计算效率与预测准确率，尤其改善异质图表现。