論文の概要: How Expressive Are Graph Neural Networks in the Presence of Node Identifiers?

• arxiv url: http://arxiv.org/abs/2601.21882v1
• Date: Thu, 29 Jan 2026 15:46:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.952594
• Title: How Expressive Are Graph Neural Networks in the Presence of Node Identifiers?
• Title（参考訳）: ノード識別子の存在下でグラフニューラルネットワークはどの程度表現力が高いか?
• Authors: Arie Soeteman, Michael Benedikt, Martin Grohe, Balder ten Cate,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ構造化データの機械学習モデルとして広く使われているクラスである。 GNNのキー不変表現力について検討し、有限モデル理論における順序不変定義可能性の概念に着想を得た。 GNNの様々なクラスに対して,局所的な最大値あるいは総和値を用いた回答を提供する。
• 参考スコア（独自算出の注目度）: 8.242194776558897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) are a widely used class of machine learning models for graph-structured data, based on local aggregation over neighbors. GNNs have close connections to logic. In particular, their expressive power is linked to that of modal logics and bounded-variable logics with counting. In many practical scenarios, graphs processed by GNNs have node features that act as unique identifiers. In this work, we study how such identifiers affect the expressive power of GNNs. We initiate a study of the key-invariant expressive power of GNNs, inspired by the notion of order-invariant definability in finite model theory: which node queries that depend only on the underlying graph structure can GNNs express on graphs with unique node identifiers? We provide answers for various classes of GNNs with local max- or sum-aggregation.
• Abstract（参考訳）: グラフニューラルネットワーク(Graph Neural Network, GNN)は、グラフ構造化データの機械学習モデルとして広く使われているクラスである。 GNNは論理学と密接な関係を持つ。 特に、その表現力は数え上げを伴う様相論理や有界変数論理と結びついている。 多くの現実的なシナリオでは、GNNによって処理されるグラフには、ユニークな識別子として機能するノード機能がある。 本研究では,そのような識別子がGNNの表現力に与える影響について検討する。 我々はGNNのキー不変表現力の研究を開始し、有限モデル理論における順序不変定義可能性の概念に着想を得た: 基礎となるグラフ構造にのみ依存するノードクエリは、GNNがユニークなノード識別子を持つグラフ上で表現できるのか? GNNの様々なクラスに対して,局所的な最大値あるいは総和値を用いた回答を提供する。

関連論文リスト

• Representation Power of Graph Neural Networks: Improved Expressivity via Algebraic Analysis [124.97061497512804]
  標準グラフニューラルネットワーク (GNN) はWeisfeiler-Lehman (WL) アルゴリズムよりも差別的な表現を生成する。 また、白い入力を持つ単純な畳み込みアーキテクチャは、グラフの閉経路をカウントする同変の特徴を生じさせることを示した。
  論文  参考訳（メタデータ） (2022-05-19T18:40:25Z)
• On the approximation capability of GNNs in node classification/regression tasks [4.141514895639094]
  グラフニューラルネットワーク(GNN)は、グラフ処理のための幅広い種類の接続モデルである。 GNNはノード分類/回帰タスクの確率の普遍近似であることを示す。
  論文  参考訳（メタデータ） (2021-06-16T17:46:51Z)
• On the Universality of Graph Neural Networks on Large Random Graphs [22.720758067273195]
  グラフニューラルネットワーク(GNN)の潜在位置乱数グラフに対する近似能力について検討する。 大きなグラフ極限では、GNNはc-GNNとして知られるある種の連続的なモデルに収束することが知られている。 我々は,c-SGNNが連続限界におけるc-GNNよりも厳格に強力なことを示す。
  論文  参考訳（メタデータ） (2021-05-27T12:52:36Z)
• Identity-aware Graph Neural Networks [63.6952975763946]
  グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。 ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。 既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-01-25T18:59:01Z)
• Towards Expressive Graph Representation [16.17079730998607]
  グラフニューラルネットワーク(GNN)は、各ノードの近傍をノード埋め込みに集約する。 GNNにおける近傍集約のための連続的入射集合関数を設計するための理論的枠組みを提案する。 複数のベンチマークデータセットからグラフ分類を行うために提案した表現型GNNを検証する。
  論文  参考訳（メタデータ） (2020-10-12T03:13:41Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• The Surprising Power of Graph Neural Networks with Random Node Initialization [54.4101931234922]
  グラフニューラルネットワーク(GNN)は、関係データ上での表現学習に有効なモデルである。 標準 GNN はその表現力に制限があり、Weisfeiler-Leman グラフ同型(英語版)の能力以外の区別はできない。 本研究では,ランダムノード(RNI)を用いたGNNの表現力の解析を行う。 我々はこれらのモデルが普遍的であることを証明し、GNNが高次特性の計算に頼らない最初の結果である。
  論文  参考訳（メタデータ） (2020-10-02T19:53:05Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。