论文解读（GIN）：《How Powerful are Graph Neural Networks》中，GIN的强大之处体现在哪里？

本文共计4011个文字，预计阅读时间需要17分钟。

：图神经网络的力量研究

作者：徐凯鲁，胡伟华，J. Leskovec，S. Jegelka

来源：2019年，ICLR论文

代码下载：下载

其他：2421次引用，45条参考文献

摘要：本文探讨了图神经网络（GNN）的强大能力。

Paper Information

Title：《How Powerful are Graph Neural Networks?》
Authors：Keyulu Xu, Weihua Hu, J. Leskovec, S. Jegelka
Sources：2019, ICLR
Paper：Download
Code：Download
Others：2421 Citations, 45 References

---

Abstract

　　GNN 目前主流的做法是递归迭代聚合一阶邻域表征来更新节点表征，如 GCN 和 GraphSAGE，但这些方法大多是经验主义，缺乏理论去理解 GNN 到底做了什么，还有什么改进空间。

1 Introduction

　　GNN 的变体均是遵循两个步骤：邻居聚合（neighborhood aggregation） 和 图池化（graph-level pooling）。　　

　　GNN 广泛遵循递归邻域聚合（或消息传递）方案，其中每个节点聚合其邻居的特征向量来计算其新的特征向量。经过 $k$ 次聚合迭代后，一个节点由其转换后的特征向量表示，该特征向量捕获该节点的 $k$ 跳邻域内的结构信息。然后，可以通过池化来获得整个图的表示，例如，通过将图中所有节点的表示向量相加。

　　目前研究现状：新 GNN 的设计大多基于经验直觉、启发式和实验试验模式。目前对 GNN 的性质和局限性的理论理解很少，对 GNN 的表征能力的形式化分析也有限。