【报告内容】

汇报人：翁紫阳

汇报单位：河海大学

主题：《Path Neural Networks: Expressive and Accurate Graph Neural Networks》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1.待解决的问题描述

图神经网络在处理图结构数据时表现出色，但如何设计能精确捕捉图结构的模型仍然是一个挑战。现有的图神经网络模型在表达能力和准确性方面存在局限性，在区分非同构图方面比1-WL算法差

2.相关创新方案

作者提出了路径神经网络（PathNNs），这是一种基于图节点发出的路径生成节点表示的图神经网络（GNN）。通过计算不同的路径子集，作者推导出了所提模型的不同变体。作者专注于可以在多项式时间内计算的子集，即最短路径和有界长度的简单路径。对于每种路径长度，所提出的模型使用一个循环层将路径编码成向量，然后，从节点发出的所有路径的表示被聚合以产生节点的新表示。

3.实验总结

作者展示了三种PathNN变体中的两种在区分非同构图方面严格优于WL算法。作者通过在合成数据集上的实验来验证作者的理论结果，这些实验测量了模型的表达能力。此外，作者在现实世界的图分类和回归数据集上评估了PathNNs。作者的结果表明，不同的PathNN变体实现了高水平的性能，并在大多数情况下超越了基线方法。

4.未来工作

研究PathNN在大规模图数据上的表现，优化其计算效率和内存占用，确保其在工业应用中的可行性。探索PathNN在图同构性测试中的表现，可能会发现其在处理复杂结构图时的潜力。

报告时间：2024年10月18日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)