论文标题：HowPowerfulareGraphNeuralNetworks? 论文链接：https://arxiv.org/abs/1810.00826论文来源：ICLR2019一、概述目前的GNN框架大多遵循递归邻域聚合（或者消息传递）框架，并且已经出现各种GNN变种。然而，新的GNN设计大多基于经验直觉、启发式和实验试错。目前，对神经网络的性质和局限性的理论认识较少，对神经网络表征能力的形式化分析也比较有限。本文提出一种理论框架，用于分析GNN的表征能力。本文受到Weisfeiler-Lehman(WL)图同构测试的启发，WL测试类似于GNN，也通过聚合邻域节点特征来递归更新节点特征向量

论文标题：HowPowerfulareGraphNeuralNetworks? 论文链接：https://arxiv.org/abs/1810.00826论文来源：ICLR2019一、概述目前的GNN框架大多遵循递归邻域聚合（或者消息传递）框架，并且已经出现各种GNN变种。然而，新的GNN设计大多基于经验直觉、启发式和实验试错。目前，对神经网络的性质和局限性的理论认识较少，对神经网络表征能力的形式化分析也比较有限。本文提出一种理论框架，用于分析GNN的表征能力。本文受到Weisfeiler-Lehman(WL)图同构测试的启发，WL测试类似于GNN，也通过聚合邻域节点特征来递归更新节点特征向量

更加详细的内容可以看：http://120.27.213.171/2022/03/28/%E5%9B%BE%E8%AE%BA/同构的概念：假设G=(V,E)和G1=(V1，E1)是两个图，如果存在一个双射m：V→V1，使得对所有的x,y∈V均有x,y∈E等价于m(x)m(y)∈E1，则称G和G1是同构的。G图G1图如图，这是两个同构图。其关系满足图G{A->C,B->A,B->D,D->E,E->C}，图G1满足关系{A1->C1,B1->A1,B1->D1,D1->E1,E1->C1}。不难看出，图G与图G1是同构关系。当G同构带G1后，这些顶点可能标号变了，但是如果在“旧”的图中有的关系，