PulseAugur
中
实时 05:30:11

新论文揭示MP-GNNs的基本表达能力限制

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇题为“Lost in Aggregation: On a Fundamental Expressivity Limit of Message-Passing Graph Neural Networks”的新研究论文，作者为Eran Rosenbluth，探讨了消息传递图神经网络（MP-GNNs）的一个理论局限性。该论文为聚合函数定义了一个信息复杂度属性，并证明了使用此类函数的MP-GNNs只能区分多项式数量的图结构，这远少于非同构图的超指数数量。这一发现表明，在区分图方面，这些MP-GNNs的表达能力从根本上不如像Color Refinement这样更简单的方法。 AI

影响 强调了图神经网络表达能力的理论局限性，可能指导图表示学习的未来研究。

排序理由 该集群包含一篇详细介绍理论研究成果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新论文揭示MP-GNNs的基本表达能力限制

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Eran Rosenbluth ·

    Lost in Aggregation: On a Fundamental Expressivity Limit of Message-Passing Graph Neural Networks

    arXiv:2603.14846v3 Announce Type: replace Abstract: We define an information-complexity property for aggregation functions, capturing a vast range of practical aggregations, and prove that any Message-Passing Graph Neural Network (MP-GNN) model with such aggregations induces only…

相关话题