PR113 - How Powerful are Graph Neural Networks?

논문: How Powerful are Graph Neural Networks? ICLR-2019
코드: https://github.com/weihua916/powerful-gnns

Motivation & Introduction

GNN의 representation power에 대한 연구가 부족하다. GNN의 representation power는 Aggregation function이 결정하는데,
GCN의 Mean Pooling이나 GraphSage의 Max pooling은 다른 노드를 구별하는 능력이 부족하다.

Examples of graph structures that mean and max aggregators fail to distinguish

Methodology

Aggregation function이 injective할 때 neighbor node 들이 다르면, embedding 결과도 다르다.
이를 토대로 sum aggregation을 사용하는 Graph Isomorphism Network (GIN) 을 제안했다. 

GIN Aggregation function

Results & Conclusion

GIN은 training set에 대해서 거의 완전히 학습하는게 가능했으며, 여러 task에 대해서 기존 GNN모델에 비해 더 좋은 성능을 보였다.

Training set performance of GINs, less powerful GNN variants, and the WL subtree kernel

Test set classification accuracies