图同构算法（weisfeiler-Lehman）

1. 什么是Weisfeiler-Lehman(WL)算法 2. WL Test 3. Weisfeiler-Lehman算法与GCN的关系 4. Weisfeiler-Lehman算法应用 Weisfeiler-Lehman算法通常被用在解决图的相似性问题上 5. 举例说明①聚合邻居节点的标签得到一个标签的字符串，对字符串进行升序排列。 ②对字符串进行哈希处理，这里生成了一个一一映射的字典，这一步也可以使用其它的字符串哈希函数，只要保证**碰撞率**尽量小就可以。 ③将哈希过的值重新赋值给相应的节点...

本文提供在RK3588开发板上使用CMake交叉编译ZLMediaKit的完整教程，包括toolchain配置、环境准备、源码获取及编译流程详解。通过逐步指导，帮助开发者掌握嵌入式流媒体服务器的高效部署方法，特别适合需要优化音视频处理性能的RK3588平台开发者。

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...

上周发布的《图传播算法（上）》中讲了关于图传播算法的基本范式和PageRank算法，本文将延续上周的文章，继续讲解剩下的三个算法。2· HITSHITS（Hyperlink - Induced Topic Search）另一个典型的图传播算法，其所解决的问题与PageRank算法一样，在一个给定的由网页构成的有向图中，返回高质量的排名结果。与PageRank直接建模重要性排名指标不同的是，HITS...

Weisfeiler-Lehman test及其扩展引言图同构WL test(Weisfeiler-Lehman test)一维Weisfeiler-Lehman test的一个例子WL子树核(WL subtree kernel)参考文献 引言 在阅读GNN相关论文时，经常会碰到一个概念叫做WL test(Weisfeiler-Lehman test)，然而网上对这个概念的相关介绍却很少。本人在查阅了一些资料后，将自己对这个概念的理解记录下来，希望能和大家交流学习。由于本人学识有限，有不妥之处还请大家批评指

背景 Weisfeiler-Lehman算法(威斯费勒-莱曼算法)是测试图同构的经典算法之一，我在这儿记录一下它的实现原理，参考文章为Weisfeiler-Lehman Graph Kernels 伪代码 论文中的伪代码如下所示 假设要测试同构的两张图为G和G`，那么在结点v的第i次迭代里，算法都分别做了四步处理：标签复合集定义、复合集排序、标签压缩和重标签。 标签复合集定义 如果...

参考自维基百科图同构描述的是图论中，两个图之间的完全等价关系。在图论的观点下，两个同构的图被当作同一个图来研究。只有节点数目相同(即同阶)的两个图才有可能同构。两个简单图GGG和HHH称为是同构的，当且仅当存在一个将GGG的节点1n1,...,n1...n映射到HHH的节点1n1,...,n1...n的一一对应σ\sigmaσ，使得GGG中任意两个节点iii和jjj相连接，当且仅当HHH中对应的两个节点σi\sigma_{i}σi​和σ。

在 图卷积网络GCN 中我们已经知道图神经网络在等任务上的作用，但GIN（图同构神经网络）给出了一个对于图嵌入（graph embedding）更强的公式。GIN，图同构神经网络，致力于解决使用GNN的问题，我们知道采用等GNN可以得到本篇博文将关注利用GNN进行的学习。图表征学习要求根据节点属性、边和边的属性（如果有的话）生成一个向量作为图的表征，基于图表征可以做图的预测。基于**图同构网络（Graph Isomorphism Network, GIN）**的图表征网络是当前最经典的图表征学习网络。

图神经网络在很多任务上取得了非凡的成功，如： (1) Node Classification (2) Link Prediction (3) Graph Classification 图神经网络的表示能力究竟如何呢？例如，两个不一样的图，对于某个神经网络来说，是否足够可以区分呢？ 图神经网络的第kkk层为： 为了研究图神经网络的表达能力，需要一种叫multiset的东西，平常我们常说的集合是指不相同元素的聚集，但multiset却可以由重复的元素出现。 我们还需要Weisfeiler-Lehman图同构测

本文深入探讨了图神经网络（GNN）与概率图模型及图同构测试之间的理论联系。通过将图视为马尔可夫随机场，并结合希尔伯特空间嵌入思想，揭示了GNN消息传递机制与平均场变分推理的内在关联。同时，从图同构测试视角出发，分析了GNN与Weisfeiler-Lehman（WL）算法在表示能力上的对比，指出GNN在处理连续特征和自适应学习方面的优势。文章进一步讨论了这些理论在图分类、节点预测等任务中的综合应用，并展望了未来在高效推理、更强表示能力和跨领域应用等方面的研究方向。

文章目录背景Weisfeiler-Lehman Test (WL Test)Weisfeiler-Leman Test 算法实例WL Subtree Kernel：图相似性衡量图同构网络图表征学习方法简介图同构网络基本思路图同构网络的实现`GINConv`--图同构卷积层`BondEncoder`与`AtomEncoder`基于图同构网络的节点嵌入模块（GINNodeEmbedding Module）基于图同构网络的图表征模块（GINGraphRepr Module）参考 背景 Weisfeiler-Leh

可以看这个写的很好的博客

参考文献 [1]Weisfeiler-Lehman算法测试图同构 [2]图神经网络的表达能力与Weisfeiler-Lehman测试 [3]什么是Weisfeiler-Lehman(WL)算法和WL Test？ [4]Weisfeiler-Lehman(WL)算法 [5]【GNN】WL-test：GNN 的性能上界 [6]The Weisfeiler-Lehman Isomorphism Test ...

https://zhuanlan.zhihu.com/p/90645716

题目：Hypergraph Isomorphism Computation 超图同构计算 作者：Yifan Feng; Jiashu Han; Shihui Ying; Yue Gao 摘要 同构问题在网络分析中至关重要，涉及分析低阶和高阶结构信息。图同构算法专注于结构等价性，以简化求解空间，帮助蛋白质设计、化学途径和社区检测等应用。然而，它们在捕捉复杂的高阶关系方面表现不佳，这与超图同构方法不同。传统的超图方法面临高内存使用和识别不准确等挑战，导致性能不佳。为了解决这些问题，我们引入了超图 Weisfe

1、基于图同构网络（GIN）的图表征 采用GINNodeEmbedding模块对图上每一个节点做节点嵌入（Node Embedding），得到节点表征；然后对节点表征做图池化得到图的表征；最后用一层线性变换对图表征转换为对图的预测。 基于结点表征计算得到图表征的方法有： sum：对节点表征求和； mean：对节点表征求平均； max：取节点表征的最大值，对一个batch中所有节点计算节点表征各个维度的最大值； attention：基于Attention对节点表征加权求和 set2set:...

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。然后相应的也是正半定的。 （2）图G和G’的WL图子核可以在O(hm)的时间复杂度里计算出来 （3） 示例 过程： （1）将每个节点的邻居添

本文深入解析了Weisfeiler-Lehman算法作为图神经网络（GCN）的理论基石。通过对比WL算法与GCN层在信息聚合与变换上的内在联系，揭示了GCN强大的图结构学习能力源于此经典图论思想，并提供了PyTorch代码实现进行实战对比，帮助读者从原理上理解并优化图神经网络模型。