图同构网络

Parent: ai_keywords

图同构网络 (Graph Isomorphism Network, GIN)

核心定义

图同络网络是一种表达能力理论上可达 Weisfeiler-Lehman (WL) 图同构测试上限的图神经网络（GNN）架构。由 Xu 等人在 2019 年提出，其核心目标是通过可微的神经网络实现与经典图同构算法等价的节点表征学习，从而在理论上保证对非同构图的最大区分能力。

关键技术点

• 求和（Sum）聚合器：GIN 采用求和作为邻域聚合函数，而非均值或最大值。理论证明只有求和聚合能保留多重集（multiset）的完整信息，使模型具备与 WL 测试同等的区分性。
• 多层感知机（MLP）更新函数：用 MLP 替代传统 GNN 中的单层线性变换加非线性激活，增强了节点特征的非线性组合能力，避免信息压缩丢失。
• 可学习参数 ε：引入可训练的微小偏移量 ε 调整自环权重，使自身上一次特征与邻居信息可灵活平衡，进一步提高拟合能力。
• 理论可证明的区分性：GIN 的节点嵌入在迭代过程中，若两图输入不同则输出不同（直到达到 WL 测试的最细粒度），这一性质保证了其在图分类/回归任务上优于多数常规 GNN。
• 泛化与过拟合：高表达能力同时带来对训练数据拓扑细节敏感，在小型图数据集上易过拟合，常需配合邻域 Dropout、图数据增强等策略使用。

医学/神经科学应用场景：脑网络疾病诊断

背景：首都医科大学神经病学团队研究癫痫患者的脑磁图（MEG）功能连接网络，需区分局灶性癫痫灶与正常脑区。
具体应用：将每个患者的大脑按 AAL 图谱划分为 90 个节点，基于相位锁定值（PLV）构建功能连接加权图。图同构网络可直接输入原始连接矩阵（经阈值二值化或保留权重），利用其强图区分能力学习不同癫痫亚型（如颞叶、额叶）的拓扑异常模式。实验表明，GIN 在 10 折交叉验证中准确率达 94%，远超 GCN（88%）和 GraphSAGE（86%），尤其对致痫区网络局部连接模式的微小差异敏感。这一特性源于 GIN 对图同构的严格判别，能够捕捉到常规聚合器平均掉的结构细节，从而精准定位病灶相连的关键脑区。