[論文レビュー] On the Power of the Weisfeiler-Leman Test for Graph Motif Parameters

Matthias Lanzinger, Pablo Barceló|arXiv (Cornell University)|Sep 29, 2023

Advanced Graph Neural NetworksComputer Science被引用数 3

ひとこと要約

この論文は、ラベル付きグラフモチーフパラメータのWeisfeiler-Leman (WL)次元を正確に特徴づけ、部分グラフおよび誘導部分グラフの数え上げ問題を統一する。グラフ $P$ の WL-次元は、スパズム内における $P$ のすべてのホモモーフィックな像の最大木幅によって決定され、この次元を計算する多項式時間アルゴリズムを提示し、分野における未解決問題を解決する。

ABSTRACT

Seminal research in the field of graph neural networks (GNNs) has revealed a direct correspondence between the expressive capabilities of GNNs and the $k$-dimensional Weisfeiler-Leman ($k$WL) test, a widely-recognized method for verifying graph isomorphism. This connection has reignited interest in comprehending the specific graph properties effectively distinguishable by the $k$WL test. A central focus of research in this field revolves around determining the least dimensionality $k$, for which $k$WL can discern graphs with different number of occurrences of a pattern graph $P$. We refer to such a least $k$ as the WL-dimension of this pattern counting problem. This inquiry traditionally delves into two distinct counting problems related to patterns: subgraph counting and induced subgraph counting. Intriguingly, despite their initial appearance as separate challenges with seemingly divergent approaches, both of these problems are interconnected components of a more comprehensive problem: "graph motif parameters". In this paper, we provide a precise characterization of the WL-dimension of labeled graph motif parameters. As specific instances of this result, we obtain characterizations of the WL-dimension of the subgraph counting and induced subgraph counting problem for every labeled pattern $P$. We additionally demonstrate that in cases where the $k$WL test distinguishes between graphs with varying occurrences of a pattern $P$, the exact number of occurrences of $P$ can be computed uniformly using only local information of the last layer of a corresponding GNN. We finally delve into the challenge of recognizing the WL-dimension of various graph parameters. We give a polynomial time algorithm for determining the WL-dimension of the subgraph counting problem for given pattern $P$, answering an open question from previous work.

研究の動機と目的

• ラベル付きグラフモチーフパラメータの WL-次元を特徴づけ、部分グラフおよび誘導部分グラフの数え上げ問題を統一する。
• ラベル付きパターンにおける誘導部分グラフ数え上げの WL-次元に関する未解決問題を解消する。
• 任意の与えられたパターン $P$ に対して、部分グラフ数え上げの WL-次元を計算する多項式時間アルゴリズムを提供する。
• $k$-WL が異なるカウントを持つグラフを区別できる場合、最終的な GNN レイヤーからのローカル情報のみを用いて、パターンの正確な出現回数を計算できることを示す。
• グラフモチーフパラメータからの深い結果を拡張し、誘導部分グラフ数え上げおよび $k$-グラフレット数え上げの WL-次元を決定する。

提案手法

• 論文は、グラフのすべてのループを含まない商の集合として定義される「スパズム」の概念を導入する。
• パターン $P$ の WL-次元を、$k$-WL が異なる $P$-コピー数を持つグラフを区別できる最小の $k$ として定義する。
• 主な技術的洞察は、$P$ の WL-次元が、$P$ のスパズム内におけるすべてのホモモーフィックな像のうち、最大の木幅に等しいことである。
• 固定パラメータ $k$ に対して、有限個の禁止マイナー集合からのマイナーを含むかどうかを決定する Courcelle の定理を用い、固定パラメータ可 tractable および線形時間アルゴリズムを可能にする。
• ラベル付きグラフへは、商における頂点および辺のラベル整合性を保証する制約を追加することで拡張し、2階論理式を用いる。
• 木幅が有界である場合の禁止マイナー集合の有限性を示すために、Robertson-Seymour のグラフマイナー理論および well-quasi-orderings を用いる。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きグラフモチーフパラメータの WL-次元は何か？ そして、パターン $P$ の構造とはどのように関係するか？
• RQ2 誘導部分グラフ数え上げの WL-次元は、部分グラフ数え上げと同様に特徴づけられるか？
• RQ3 任意の与えられたパターン $P$ に対して、部分グラフ数え上げの WL-次元を計算する多項式時間アルゴリズムは存在するか？
• RQ4 $k$-WL が異なるカウントを持つグラフを区別できる場合、最終 GNN レイヤーからのローカル情報のみを用いて、$P$-コピーの正確な数を計算できるか？
• RQ5 グラフモチーフパラメータからの深い結果をどのように活用し、誘導部分グラフ数え上げおよび $k$-グラフレット数え上げの WL-次元を決定できるか？

主な発見

• ラベル付きパターン $P$ の WL-次元は、$P$ のスパズム内におけるすべてのホモモーフィックな像の最大木幅に等しい。
• 論文は、誘導部分グラフ数え上げの WL-次元が、$P$ のスパズム内の最大木幅によっても特徴づけられることを示し、未解決問題を解決した。
• 任意の与えられたパターン $P$ に対して、部分グラフ数え上げの WL-次元を計算する多項式時間アルゴリズムが提供され、先行研究における未解決問題に答えている。
• $k$-WL が異なるカウントを持つグラフを区別できる場合、$P$-コピーの正確な数は、最終 GNN レイヤーからのローカル情報のみを用いて一様に計算可能である。
• ラベル整合性制約をマイナー埋め込み式に組み込むことで、ラベル付きグラフへもこの手法を拡張でき、正しさと決定可能性が保たれる。
• 提案された特徴づけとグラフモチーフパラメータ理論の結果を用いて、$k$-グラフレット数え上げおよび誘導部分グラフ数え上げの WL-次元を決定できる。