> ML_LITERATURE // XU-2019-HOW-POWERFUL-ARE-GRAPH-NEURAL-NETWORKS_v1.0
How Powerful are Graph Neural Networks? (Graph Isomorphism Network - GIN)
Keyulu Xu, Weihua Hu, Jure Leskovec, Stefanie Jegelka · International Conference on Learning Representations (ICLR) (2019)
foundational2019foundationalthirdPartyReproduced
Temel Katkı (Principal Contribution)
Weisfeiler-Lehman (1-WL) çizge izomorfizm testi aracılığıyla GNN ifade gücünü teorik olarak karakterize etti ve birebir toplam toplamanın optimal olduğunu kanıtladı.
Operasyonel ve Mühendislik Uygunluğu
Moleküler özellik tahmini, ilaç keşfi ve biyokimyasal çizgelerde tüm çizge sınıflandırması için teorik standart.
Temel Varsayımlar (Assumptions)
- Çokluküme komşuluk özelliklerini toplam toplama ve ardından MLP'ler ile temsil etmek çokluküme girdileri üzerinde birebir fonksiyonları modeller
Kısıtlar ve Sınırlamalar (Limitations)
- 1-WL testi ile sınırlıdır: 6'lı halkaları üçgen çiftlerinden ayırt etmek gibi basit izomorfik olmayan alt yapıları tespit edemez