摘要

这项研究将图神经网络（GNNs）的应用范围扩展到了超越基于Weisfeiler-Lehman（WL）算法、图拉普拉斯矩阵和扩散模型的范畴。我们提出的方法称为关系池化（Relational Pooling，RP），借鉴了有限部分可交换性的理论，为图提供了一个具有最大表示能力的框架。RP可以与现有的图表示模型结合使用，并且有些反直觉的是，它可以使得这些模型比原始的WL同构测试更加强大。此外，RP允许递归神经网络（Recurrent Neural Networks，RNNs）和卷积神经网络（Convolutional Neural Networks，CNNs）以一种理论上严谨的方式应用于图分类任务。我们在多个任务上展示了基于RP的图表示方法相较于现有最先进方法的性能提升。