AAAI 2022 | KerGNNs：具有图核的可解释图神经网络

论文：https://arxiv.org/pdf/2201.00491.pdf

代码：https://github.com/asFeng/kergn

图核（Graph Kernels）方法是图分类任务中应用最广泛的一类传统方法。然而，由于图核方法本质是在手工提取图特征，这类方法性能受限。近年，基于信息传递（MPNN）框架的图神经网络（GNNs）已经在图相关的任务中成为sota方法了。然而，这类方法在图同构测试中的能力无法超过WL算法。为解决图核方法不够灵活的问题，并提升GNNs的表达能力，本文通过结合graph kernels和GNNs提出了新的GNN框架，叫做Kernel Graph Neural Networks (KerGNNs)。一方面，对于邻居节点的聚合，我们将图核应用在由节点邻居组成的子图上，（1-WL利用的是邻居节点的multiset），使得表达能力不受限于1-WL算法。另一方面，我们让graph kernels的特征构建过程可学习，带来更广泛的适用性。