【图神经网络论文整理】（十）—— How Powerful are Graph Neural Networks?：GIN

---

• 作者信息：Keyulu Xu, Weihua Hu, Jure Leskovec, Stefanie Jegelka
• 论文来源：Computer Vision and Pattern Recognition
• 论文地址：https://arxiv.org/abs/1810.00826

本文介绍的论文是《How Powerful are Graph Neural Networks?》。

作者提出了一个新的图神经网络框架GIN来捕捉图结构信息，经作者测试该GNN是最具表现力的，能够与Weisfeiler - Lehman图同构测试一样强大，在多个图分类基准上达到了最先进的性能。

---

---

目前很多GNNs不断被提出，大多是采用邻居聚合和图级池化的方法，虽然这些GNN模型在节点分类、边预测和图分类等许多任务上都取得了不错的性能，但是新型的GNN的设计大多是基于经验直觉、启发式和实验试错，因此它们对GNNs的性质和局限性的理论认识较少，对GNNs表征能力的形式化分析有限。

作者提出了一个新的框架，该框架首先会将给定节点的邻居的特征向量集合表示为一个多重集，然后GNNs中的近邻聚集可以认为是多重集上的聚合函数。多重集函数越具有判别性，底层GNN的表征能力就越