[논문 리뷰] Unifying approach to uniform expressivity of graph neural networks

Huan Luo, Jonni Virtema|arXiv (Cornell University)|2026. 02. 20.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

템플릿 GNNs(T-GNNs)를 도입하고 템플릿 기반 메시지 전달 및 등급화 템플릿-모달 로직을 제시하여 GNN의 표현력을 특징짓고 통합하며, T-GNNs를 GML(T) 및 WL/비시뮬레이션 프레임워크와 연결한다.

ABSTRACT

The expressive power of Graph Neural Networks (GNNs) is often analysed via correspondence to the Weisfeiler-Leman (WL) algorithm and fragments of first-order logic. Standard GNNs are limited to performing aggregation over immediate neighbourhoods or over global read-outs. To increase their expressivity, recent attempts have been made to incorporate substructural information (e.g. cycle counts and subgraph properties). In this paper, we formalize this architectural trend by introducing Template GNNs (T-GNNs), a generalized framework where node features are updated by aggregating over valid template embeddings from a specified set of graph templates. We propose a corresponding logic, Graded template modal logic (GML(T)), and generalized notions of template-based bisimulation and WL algorithm. We establish an equivalence between the expressive power of T-GNNs and GML(T), and provide a unifying approach for analysing GNN expressivity: we show how standard AC-GNNs and its recent variants can be interpreted as instantiations of T-GNNs.

연구 동기 및 목표

• 템플릿을 통해 현대의 표현력 있는 GNN 패러다임을 포함할 수 있는 일반 GNN 프레임워크를 동기 부여하고 형식화한다.
• 부분구조 정보를 포착하기 위해 템플릿 임베딩, 템플릿 집계, 및 일항/다항 템플릿 GNN을 정의한다.
• T-GNN의 표현력을 한정하고 일치시키는 논리적 및 알고리즘적 대응( GML(T)와 T-WL )을 확립한다.
• T-GNN을 등급화된 템플릿 바이시뮬레이션과 제한된 개수 논리로 연결하는 통합 표현력 결과를 입증한다.
• 기존 AC-GNNs 및 변형들이 템플릿 GNN 프레임워크의 인스턴스화로 맞춰지는 방법을 보인다.

제안 방법

• 양의 간선과 음의 간선을 가진 템플릿 T와 지정된 루트를 정의하고, 템플릿 임베딩을 그래프로 형식화한다.
• 템플릿 자동성과 불변인 T-aggregate 함수들을 도입하고 이를 일항 또는 n-항 T-GNN으로 구성한다.
• 템플릿 임베디드 부분구조의 다중집합을 사용해 노드 색상을 세분화하는 T-WL 알고리즘을 개발하여 1-WL을 일반화한다.
• 표현력을 특징화하기 위한 등급화된 T-바시뮬레이션을 도입하고 T-WL(색상)과의 등가성을 증명한다(제10 명제).
• 등급화된 템플릿-모달 로지 GML(T)를 정의하고 T-GNN과 GML(T) 간의 표현력 등가를 증명한다.
• 경계된 개수화 변형을 c-제한된 T-GNN과 연결하고 템플릿 해석을 통해 AC+-GNNs 및 AC(G)-GNNs와 연결한다.

실험 결과

연구 질문

• RQ1 다양한 표현력 있는 GNN 아키텍처를 포착하기 위한 올바른 추상 템플릿 기반 프레임워크는 무엇인가?
• RQ2 템플릿 임베딩, 집계 및 템플릿이 GNN의 표현력을 어떻게 특징짓고 한정할 수 있는가?
• RQ3 T-GNN의 표현력과 대응하는 논리 형식인 GML(T) 간에 정확한 등가성을 확립할 수 있는가?
• RQ4 기존의 GNN 변형들(예: AC-GNNs, AC+-GNNs, k-hop 서브그래프 GNNs)이 템플릿 GNN 프레임워크에 어떻게 적합하는가?
• RQ5 일관된 표현력 결과를 달성하는 데 있어 경계된 개수화와 등급화된 비시뮬레이션의 역할은 무엇인가?

주요 결과

• 일반적인 Template GNN 모델은 템플릿 기반 메시지 패싱을 사용하여 표준 GNN과 강화된 변형들을 포착한다.
• 해당하는 등급화된 템플릿-WL 알고리즘(T-WL)과 등급화된 템플릿 바시뮬레이션은 T-GNN의 표현력을 정확히 한정하고 반영한다.
• 경계된 개수 설정에서 T-GNN의 일관된 표현력과 로직 GML(T) 사이에 일대일 대응이 있다.
• AC-GNNs 및 AC+-GNNs는 적절한 템플릿을 가지는 Template GNN의 인스턴스로 해석될 수 있어 여러 아키텍처를 통일한다.
• 템플릿을 통한 부분구조 정보(예: 간선, 삼각형, k-호프 서브그래프)를 포함하는 것은 프레임워크와 맞물리며 1-WL을 넘는 표현력 증가를 설명한다.
• 본 연구는 템플릿 GNN으로 형식화될 수 있는 모든 GNN의 표현력을 특징짓는 일련의 결과를 산출하는 메타 정리를 제공한다.