论文标题：A New Perspective on "How Graph Neural Networks Go Beyond Weisfeiler-Lehman?"
论文链接：

https://openreview.net/forum?id=uxgg9o7bI_3

这篇论文摘自ICLR2022 Openreview 四个审稿人不约而同的给了8分，作者信息现在还是匿名状态不知道出自哪个大神之手

作者对设计功能强大的图神经网络(GNNs)提出了一个新的视角。简而言之，这使得一个通用的解决方案能够将图的结构属性注入到GNN的消息传递聚合方案中。作为理论基础，作者首先在邻域子图上开发了一个新的局部同构层次结构。然后，作者将消息传递聚合方案推广，从理论上描述GNN如何被设计为在WL测试之外更具表现性。为了阐述这个框架，作者提出了一种新的神经模型，称为GraphSNN，并证明了该模型在区分图结构方面严格比WL检测更具表现性。作者通过实证验证了我们的模型在不同的图形学习任务上的强度。结果表明，作者的模型在不牺牲计算的简单性和效率的情况下，不断改进了基准任务上最先进的方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除