今天学习斯坦福2021年Jure Leskovec发表在AAAI的工作《Identity-aware Graph Neural Networks》。
由Jure Leskovec组 2019 年的工作《How Powerful are Graph Neural Networks?》证明GNN 算法的表达能力，具有与 Weisfeiler-Lehman 图同构测试一样的表达上限，是不适用于计算集聚系数（cluster coefficient），求图内最短距离问题，判断d-regular图的区别任务的。
本文提出选取中心节点，并通过多轮对异构图中中心节点进行message passing操作的模型ID-GNN，以求其表现能力超越WL-test，并基于此模型提出了一版简化过更快的，可以增强节点特征的ID-GNN网络。
实验效果表明，link prediction的AUC及ROC提升15%，图/节点分类提升3%。
- WL限制内的GNN网络是什么样子的，为什么不适合以上三种问题？
- WL test是什么？
- d-regular图是什么？
预测节点分类相关系数，求图内最短距离问题，判断d-regular图的区别任务的问题介绍和实际效果。
1. Introduction
由于GNN受限于1度WL， 最近一些工作，提出模型解决了此类问题。其中包括Ring-GNN， Relative Pool GNN 和G-invariant networks，但他们都受限于复杂度的增长
- （为什么？受限于1度WL，证明部分中区别是什么）
作者提出ID-GNN， 不同于聚合更新，他采用Message Passing做更新，并且提出简版的ID-GNN模型， 加入“图环计算”（cycle counts）用于增强节点信息。其计算由邻接矩阵的次方实现，计算效率较高。
本文有以下贡献：
- 证明了message passing表示能力超过WL test
- 从理论和实验验证了ID-GNN的解集大于GNNs
- 证明了GNN在实际问题的局限，做了case study
2. 前情提要
2.1 同构图测试（WL-test）与 GIN
Weisfeiler-Lehman(WL) test是判断两个graph 是否具有相同的结构（同构）的有效方法
GNN的目标是以图结构数据和节点特征作为输入，以学习到节点（或图）的embedding，用于分类任务。基于邻域聚合的GNN可以拆分为以下三个模块：
- Aggregate：聚合一阶邻域特征。
- Combine：将邻居聚合的特征 与 当前节点特征合并， 以更新当前节点特征。
- Readout（可选）：如果是对graph分类，需要将graph中所有节点特征转变成graph特征。
由前文定理得：
如果GNN中Aggregate、Combine 和 Readout 函数是单射，GNN可以和WL test 一样强大。
基于mean、max aggregate的GNN 不如基于sum aggregate的结构表示性能强大。
2.2 d-正则图（d-regular graph）
什么是d-正则图。
无向图中的正则图为中每个顶点具有相同数量的邻点； 即每个顶点具有相同的度。 正则的有向图中每个顶点的内外自由度都要彼此相等。并且满足，边的个数， 其中
为节点个数，
为节点度数
不同于完全图，边的个数，每个顶点度为
由此，正则图存在的必要和充分条件是
2.3 集聚系数（cluster coefficient）
节点局部集聚系数定义为，对图中具体的某一个点，它的局部集聚系数 表示与它相连的点抱成团（完全图/ clique/ complete graph）的程度。
在无向图中，其计算公式为：
3. Preliminaries
3.1 ID-GNN
归纳式（inductive）的颜色标注
从中心点出发，选择他们的K-hop节点集合
， 并在这个集合网络中标注中心点
的颜色，如下图最左节点分类中所示
异构图的信息传导（message passing）
有两种使用情景，当此点被颜色标注过使用下标为
的
网络，反之下标为
。
Proposition 1：当时，是一个没有原始节点颜色标注的网络，如公式4，根据前情提要，此公式为公式1的变形。由此可见ID-GNN和GIN一样是可导的。
添加边信息（edge attribute）
边信息为, 将其加入网络中
Proposition 2：添加了图环计算（cycle count），对于中心点在embedding网络
上，添加了一维特征
，其中
表示了中心点
出发并截至至中心点
，长度为
环的个数,
ID-GNN-Fast
该网络的增强ID-GNN-Fast，基于对图环计算（cycle count）计算的改进。由于使用稀疏矩阵，可以使得图环计算变得更快，该图环特征,
，其中
为邻接矩阵。
tips: 邻接矩阵乘法的特殊意义，其对角矩阵为对应节点的环个数。
其为节点的n-hop邻居位置。但此方法有弊端在于内存占用过高。
3.2 Case study
节点层面：预测聚类系数
本例中，输入节点one-hot特征，由公式2得，在此情境下：
由此，是一个连续函数，依据Universal Approximation，当网络为MLP时满足近似率为
边层面：预测可达最短路径
由一对顶点预测其最短路径的方法，基于条件节点embedding：在中的节点
对于节点
在
可达，则存在
图层面：分辨d度-正则图
依据Proposition 2对图环的计算，ID-GNN的正则图判定效率如下：
4. Experiments
