[论文解读] 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 3

一句话总结

本文精確描述了標記圖 motif 參數的 Weisfeiler-Leman (WL) 維度，統一了子圖與誘導子圖計數問題。研究確立了模式 $P$ 的 WL-維度由其在 spasm 中所有同態像的最大樹寬決定，並提出一個多項式時間演算法來計算此維度，從而解決了該領域的一個開放問題。

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.

研究动机与目标

• 描述標記圖 motif 參數的 WL-維度，統一子圖與誘導子圖計數問題。
• 解決有關標記模式之誘導子圖計數的 WL-維度之開放問題。
• 提供一個多項式時間演算法，用於計算任意給定模式 $P$ 的子圖計數之 WL-維度。
• 展示當 $k$-WL 可區分圖形時，僅使用 GNN 最終層的局部資訊即可計算出模式出現的精確數量。
• 將圖 motif 參數的結果延伸至誘導子圖計數與 $k$-圖圖形計數，以確定其 WL-維度。

提出的方法

• 本文引入圖的「spasm」概念，定義為圖的所有無環商圖的集合。
• 定義模式 $P$ 的 WL-維度為最小的 $k$，使得 $k$-WL 可區分具有不同 $P$-副本數量的圖形。
• 關鍵技術洞察在於：$P$ 的 WL-維度等於其在 spasm 中所有同態像的最大樹寬。
• 利用 Courcelle 的定理來判斷圖是否包含有限組禁止子圖的某個子圖，從而實現固定參數可適性與固定 $k$ 時的線性時間演算法。
• 透過在商圖中加入確保頂點與邊標籤一致性之約束，將方法延伸至標記圖，使用二階邏輯公式。
• 利用 Robertson-Seymour 的圖子圖理論與良好準序理論，證明具有有界樹寬之禁止子圖集合的有限性。

实验结果

研究问题

• RQ1 標記圖 motif 參數的 WL-維度為何？其與模式 $P$ 的結構有何關係？
• RQ2 誘導子圖計數的 WL-維度是否能以與子圖計數相同的方式描述？
• RQ3 是否存在一個多項式時間演算法，可用於計算任意給定模式 $P$ 的子圖計數之 WL-維度？
• RQ4 當 $k$-WL 可區分具有不同計數的圖形時，是否能僅使用 GNN 最終層的局部資訊計算出 $P$-副本的精確數量？
• RQ5 如何利用圖 motif 參數的深層結果，來確定誘導子圖計數與 $k$-圖圖形計數的 WL-維度？

主要发现

• 標記模式 $P$ 的 WL-維度等於其在 spasm 中所有同態像的最大樹寬。
• 本文解決了一個開放問題：證明誘導子圖計數的 WL-維度也由 $P$ 的 spasm 中的最大樹寬所決定。
• 提供了一個多項式時間演算法，可用於計算任意給定模式 $P$ 的子圖計數之 WL-維度，回應了先前研究中的開放問題。
• 當 $k$-WL 可區分具有不同計數的圖形時，可透過僅使用 GNN 最終層的局部資訊，統一計算出 $P$-副本的精確數量。
• 透過在子圖嵌入公式中整合標籤一致性約束，方法可延伸至標記圖，同時保持正確性與可判定性。
• 可利用所提出的描述與圖 motif 參數理論的結果，來確定 $k$-圖圖形計數與誘導子圖計數的 WL-維度。