逐渐的魏斯费勒-勒曼:缓慢稳重赢得比赛
弗兰卡·鲍斯(Franka Bause)、尼尔斯·莫滕·克里格(Nils Morten Kriege)
第一届图形学习会议记录,PMLR 198:20:1-20:18,2022年。
摘要
经典的Weisfeiler-Leman算法(也称为颜色细化)是利用核和神经网络进行图形学习的基础。最初是为图同构测试开发的,该算法迭代地细化顶点颜色。在许多数据集上,经过几次迭代即可达到稳定着色,机器学习任务的最佳迭代次数通常更低。这表明颜色发散太快,定义的相似性太粗糙。我们推广了颜色细化的概念,并提出了一个逐步邻域细化的框架,该框架允许较慢的收敛到稳定着色,从而提供更精细的细化层次和顶点相似性。我们通过聚类顶点邻域来分配新的颜色,取代了原来的内射颜色分配函数。我们的方法用于导出现有图形核的新变体,并通过顶点相似性的优化分配来近似图形编辑距离。我们表明,在这两个任务中,我们的方法优于原始颜色细化,仅在运行时间上略有增加,从而提高了技术水平。
引用本文
相关材料