GNN——从图双连通性的角度重新思考图神经网络的表达能力

如何设计具有强大表达能力的图神经网络是图机器学习领域的一个核心话题。近年来，虽然已经提出了大量的网络结构，但人们尚不清楚这些网络结构能够系统地获得怎样的表达能力。

从图双连通性的新颖角度来系统探究这一领域的基本问题。图双连通性是图论中的核心概念，它们在各类图学习中具有重要意义。然而，绝大多数主流的图神经网络不具有在图双连通性方面的任何表达能力。我们进而提出了一种系统性的方法，通过引用距离信息来可证明地获得对各类图双连通性问题的表达能力。

比较图结构相似性的现有方法包括

1. WL测试

2.GNN子结构定义

3.子图GNN

本文，利用图论中的双连通，设计模型可以高效地区分双连通性不同的图。