Краткое содержание

arXiv:2412.02181v3 Тип объявления: замена-перекрёстная публикация Аннотация: Обучение представления подграфов показало свою эффективность в решении различных практических задач. Тем не менее современные графовые нейронные сети (GNN) демонстрируют субоптимальные результаты для задач уровня подграфа вследствие неспособности учитывать сложные взаимодействия внутри и между подграфами. Для обеспечения более выразительной и эффективной альтернативы мы предлагаем метод WLKS — обобщённый для подграфов вариант ядра Вайсфелера-Лемана (WL), применяющий алгоритм WL к индуцированным окрестностям радиуса $k$. Мы объединяем ядра разных уровней $k$-окрестностей, чтобы захватить более богатую структурную информацию, которая не полностью кодируется существующими моделями. Наш подход позволяет сбалансировать выразительность и производительность путём устранения необходимости выборки окрестностей. В экспериментах на восьми реальных и синтетических эталонных наборах данных WLKS значительно превосходит ведущие подходы на пяти датасетах, сокращая время обучения от 0,01 до 0,25 раз относительно современных методов.