论文和代码，代码在补充材料中： A New Perspective on "How Graph Neural Networks Go Beyond Weisfeiler-Lehman?" | OpenReview ICLR 2022的高分论文，共4个评委，全8分 内容：提出了一种新的消息聚合框架，可以超过GIN，达到比WL同构检验更好的表达能力，并给出了该框架下的一个实例：GraghSNN

Weisfeiler-Lehman Test 算法定义与定理示例 算法 定义与定理 定义： （1）图： （2）图序列： （3）第h次迭代的某个图核k的WL图核： {G0，…，Gh}和{G ’ 0，…，G 'h}分别为G和G '的Weisfeiler-Lehman序列 （4）：某个字母出现的次数 （5）WL图子核： 定理： （1）设基核k为图上任意正半定核。

1 复现文章： 《Weisfeiler-Lehman Neural Machine for Link Prediction》 2 文章提出的方法思路： 笔者希望能够通过提取目标连边的周围连边所构成的子图，并通过一种编码方法，保留住每个节点在子图中扮演的不同角色，即在不同子图当中扮演相同角色的节点能够有相近的编号。如下面两张图所示，在两个不同的子网络当中，扮演角色相同的节点会得到相同的编号。

背景 在图分类的核算法中，Weisfeiler-Lehman(威斯费勒-莱曼)核是比较经典的核算法，这里我对它做一些整理。 参考文献Weisfeiler-Lehman Graph Kernels 定义 威斯费勒-莱曼图 在文章Weisfeiler-Lehman算法测试图同构中，我们可以看到，威斯费勒-莱曼同构测试算法对图G和G`的结点进行重标签时，只有当两个结点v和v`有相同的标签复合集

论文和代码，代码在补充材料中： A New Perspective on "How Graph Neural Networks Go Beyond Weisfeiler-Lehman?" | OpenReview ICLR 2022的高分论文，共4个评委，全8分 内容：提出了一种新的消息聚合框架，可以超过GIN，达到比WL同构检验更好的表达能力，并给出了该框架下的一个实例：GraghSNN

文章目录 1.图同构介绍2.Weisfeiler-Lehman Algorithm3.后话参考资料 欢迎访问个人网络日志🌹🌹知行空间🌹🌹 Weisfeiler-Lehman Algorithm是美国的数学家Boris Weisfeiler在1968年发表的论文the reduction of a graph to a canonical form and an

在这里转载只是为了让不能够科学搜索的同学们看到好文章而已，个人无收益只是分享知识（顺手做个记录罢了） 原网址：The Weisfeiler-Lehman Isomorphism Test | David Bieber Graph Isomorphism Two graphs are considered isomorphic if there is a mapping betwe