Graph Isomorphism Network

Paper : GRAPH ISOMORPHISM NETWORK
Code :

摘要

作者使用Weisfeiler-Lehman(WL) test 和同构图判定问题来评估GNN网络的表达能力，并提出了GIN网络结构，理论分析GIN的表达能力优于GraphSAGE GCN等结构，在多任务上准确率达到了SOTA。WL测试与GNN具有相似的信息传递方式，在WL test算法运行的过程中，算法构造了从 multiset 到 representation 的单射函数，因此WL test在图同构问题上具有强表达能力。作者尝试使用GNN构造与WL test 在图同构问题上相同强度的表达能力的网络结构。

本文的贡献主要有以下四点

1. 证明GNN在图同构问题上至多与WL test 表达能力相同
2. 提出了GNN与WL test 表达能力相同时，需要满足的聚合表达式和图读出函数的条件
3. 给出了GCN GraphSAGE 等网络区分不了的网络结构特例
4. 提出了GIN网络结构

准备

通用GNN网络的数学表示可以使用如下形式

$\\a_{v}^{(k)} = \text{Aggregate}^{(k)}(\{h_{u}^{(k-1)}|u\in N(v)\}) \\h_{v}^{(k)} = \text{Combine}^{(k)}(h_v^{(k-1)},a_v^{(k)})$

其中 $h_{v}^{(k)}$ 是第k个迭代层中节点v的特征向量。我们初始化$h_v^{(0)} = X_v$

对于GraphSAGE网络，上式表示为

$\\a_{v}^{(k)} = \max(\{\text{ReLU}(W^{(k)}h_{u}^{(k-1)})|u\in N(v)\}) \\h_{v}^{(k)} = W'^{(k)}(h_{v}^{(k-1)}||a_v^{(k)})$

对于GCN，上式表示为

$\\h_{v}^{(k)} = \text{ReLU}(W^{(k)}\text{Mean}\{h_{u}^{(k-1)}|u\in N(v)\cup\{v\}\})$

当进行图分类任务时，需要将点特征转化为全局特征

$h_G = \text{Readout}(\{h_v^{(K)}|v\in V\})$

WL test：迭代式，用于解决图同构问题的算法，包含以下两步

• 聚合节点及其邻域的标签
• 将聚合后的标签散列为唯一的新标签

如果在某些迭代中两个图之间的节点的标签不同，则该算法确定两个图是非同构的。一个WL test 的例子如下所示

如果将散列后的节点按照在图中出现的次数排成一个一维向量，该向量(WL subtree kernel)可以用来衡量两张图之间的相似度。

理论分析

在以下的理论分析中，假定节点上的特征是来源于可数空间的，假定GNN每层的输出特征也是来自可数空间的。这样，可以将每种特征表示映射到一个整数标签 $\{a,b,c...\}$ 上。

可重复集合(MultiSet)：$X = (S,m)$ 其中，$S$ 表示集合中每种元素，$m$ 给出不同种对应的出现次数。

通过研究GNN何时将两个节点映射到相同的特征表示来研究GNN的表示能力，表示能力的理论上限为当两个节点对应的子树相同时，才映射到相同的特征表示。子树的定义如下

而GNN的聚合操作可以抽象为将节点对应的multiset映射到特征表示上，显然，当且仅当该映射是单射时GNN具有最强的特征表示能力。

结论1：令两个图$G_1,G_2$ 是任意两个非同构的图。如果存在一个图神经网络 $\mathcal{A}: \mathcal{G} \rightarrow \mathbb{R}^{d}$ 将图 $G_1,G_2$ 映射到不同的graph embedding。那么通过Weisfeiler-Lehman同构测试也可以确定非同构性。

结论1说明，在图同构问题上，GNN的理论上限就是WL test。

结论2：令 $\mathcal{A}: \mathcal{G} \rightarrow \mathbb{R}^{d}$ 是一个GNN，对于两个通过Weisfeiler-Lehman同构测试测定为不同构的两个图 $G_1,G_2$ ，在GNN层足够多的情况下，如果下面的情况成立，则通过GNN可以将这两个图映射到不同的graph embedding

1. $\mathcal A$ 用下面的公式迭代的聚合和更新节点特征：
   $h_{v}^{(k)}=\phi\left(h_{v}^{(k-1)}, f\left(\left\{h_{u}^{(k-1)}: u \in \mathcal{N}(v)\right\}\right)\right)$
   其中函数 $f$ 作用在multiset上，满足 $\phi$ 函数是单射的
2. 读出层作用在multiset $\{h_{v}^{(k)}\}$ 上，也是单射的

结论3给出了对于图同构问题，如何构造理论表达能力最强的GNN。

结论4：输入的特征空间 $X$ 是可数的，那么GNN网络中的第 $k$ 层的输出，$h_v^{(k)}$ 也是可数的

这一结论保证了我们可以将GNN等价到WL test 进行考虑。

GIN

结论5：假定点特征 $\mathcal X$ 是可数的，存在函数 $f :\mathcal{X}\rightarrow \mathbb R^{n}$ 使得 $h(X) = \sum_{x\in X}f(x)$ 是个单射，而且任何定义在multiset上的函数 $g$ 可以表示成 $g(X) = \phi(\sum_{x\in X}f(x))$

结论6：假定点特征 $\mathcal X$ 是可数的，存在函数 $f :\mathcal{X}\rightarrow \mathbb R^{n}$ 使得对于无穷多个 $\epsilon$，包含所有无理数

$h(c,X) = (1+\varepsilon)f(c)+\sum_{x\in X} f(x)$

是单射函数，其中 $c\in\mathcal X$ 而 $X\subset \mathcal X$ 表示multiset对应的特征集合，而且任何函数 $g$ 都可以表示为

$g(c,X) = \phi((1+\varepsilon)f(c)+\sum_{x\in X} f(x))$

使用MLP来拟合 $f,g$，因此，GIN的点特征更新函数表示为

$h_v^{(k)} = \text{MLP}^{(k)}((1+\varepsilon^{(k)})h_v^{(k-1)}+\sum_{u\in N(v)}h_u^{(k-1)})$

其中 $\varepsilon^{(k)}$ 是定值或是可学习的。

Graph Embedding构造方法为

$h_G = ||_{k=1}^K \text{ReadOut}(\{h_v^{(k)}|v\in G\})$

如果 $ReadOut$ 使用Sum，那么可以转化为 WL test 算法。

GraphSAGE 与 GCN

作者给出了使用Mean和Max进行信息聚合表现不好的例子

结论：由于mean和max函数 不满足单射性，无法区分某些结构的图，故性能会比sum差。

sum, mean, max 分别可以捕获的信息特点

• sum：学习全部的标签以及数量，可以学习精确的结构信息
• mean：学习标签的比例（比如两个图标签比例相同，但是节点有倍数关系），偏向学习分布信息
• max：学习最大标签，忽略多样，偏向学习有代表性的元素信息

实验结果

首先，GIN，尤其是GIN-0（固定 $\epsilon = 0$），在所有9个数据集上达到了SOTA。 GIN在包含相对大量训练图的社交网络数据集上表现亮眼。对于Reddit数据集，所有节点都与节点要素共享相同的标量。在这里，GIN和求和聚合GNN准确捕获图结构并明显优于其他模型。但是，均值聚合GNN无法捕获未标记图的任何结构，并且其性能也不比随机猜测好。即使提供节点度作为输入特征，基于均值的GNN的效果也要比基于求和的GNN差得多。比较GIN（GIN-0和GIN-$\epsilon$），我们观察到GIN-0略微但始终优于GIN-$\epsilon$。由于两个模型均能很好地拟合训练数据，因此与GIN-$\epsilon$相比，其简单性可以解释GIN-0具有更好的泛化能力。

总结

本文的理论分析建立在两个前提下，第一个是图同构，第二个是图分类任务。不一定可以简单的将其泛化到点分类或其他任务上，需要进行更多的分析和实验。