Buchumschlag

Rethinking the Expressive Power of GNNs via Graph Biconnectivity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Bohang, Luo, Shengjie, Wang, Liwei, He, Di
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Homomorphism Expressivity of Spectral Invariant Graph Neural Networks
von: Gai, Jingchu, et al.
Veröffentlicht: (2025)

On the Expressive Power of Spectral Invariant Graph Neural Networks
von: Zhang, Bohang, et al.
Veröffentlicht: (2024)

Beyond Weisfeiler-Lehman: A Quantitative Framework for GNN Expressiveness
von: Zhang, Bohang, et al.
Veröffentlicht: (2024)

On the Expressive Power of GNNs for Boolean Satisfiability
von: Peltonen, Saku, et al.
Veröffentlicht: (2026)

On the Expressive Power of GNNs to Solve Linear SDPs
von: Qian, Chendi, et al.
Veröffentlicht: (2026)

Flow Matters: Directional and Expressive GNNs for Heterophilic Graphs
von: Gupta, Arman, et al.
Veröffentlicht: (2025)

Towards Understanding the Expressive Power of GNNs with Global Readout
von: Funk, Maurice, et al.
Veröffentlicht: (2026)

Expressivity and Generalization: Fragment-Biases for Molecular GNNs
von: Wollschläger, Tom, et al.
Veröffentlicht: (2024)

Chordless Structure: A Pathway to Simple and Expressive GNNs
von: Pan, Hongxu, et al.
Veröffentlicht: (2025)

Rethinking the Effectiveness of Graph Classification Datasets in Benchmarks for Assessing GNNs
von: Li, Zhengdao, et al.
Veröffentlicht: (2024)

A Boolean Function-Theoretic Framework for Expressivity in GNNs with Applications to Fair Graph Mining
von: Pal, Manjish
Veröffentlicht: (2026)

On the Expressive Power of Subgraph Graph Neural Networks for Graphs with Bounded Cycles
von: Chen, Ziang, et al.
Veröffentlicht: (2025)

Bridging Geometric States via Geometric Diffusion Bridge
von: Luo, Shengjie, et al.
Veröffentlicht: (2024)

Diagnosing and Improving Diffusion Models by Estimating the Optimal Loss Value
von: Xu, Yixian, et al.
Veröffentlicht: (2025)

What Expressivity Theory Misses: Message Passing Complexity for GNNs
von: Kemper, Niklas, et al.
Veröffentlicht: (2025)

Locality-Aware Graph-Rewiring in GNNs
von: Barbero, Federico, et al.
Veröffentlicht: (2023)

Message Passing on the Edge: Towards Scalable and Expressive GNNs
von: Barceló, Pablo, et al.
Veröffentlicht: (2025)

VQGraph: Rethinking Graph Representation Space for Bridging GNNs and MLPs
von: Yang, Ling, et al.
Veröffentlicht: (2023)

The Logical Expressiveness of Temporal GNNs via Two-Dimensional Product Logics
von: Sälzer, Marco, et al.
Veröffentlicht: (2025)

On the Expressive Power of Graph Neural Networks
von: Nalwade, Ashwin, et al.
Veröffentlicht: (2024)

Improving the Expressiveness of $K$-hop Message-Passing GNNs by Injecting Contextualized Substructure Information
von: Yao, Tianjun, et al.
Veröffentlicht: (2024)

Towards Dynamic Graph Neural Networks with Provably High-Order Expressive Power
von: Wang, Zhe, et al.
Veröffentlicht: (2024)

Balancing Efficiency and Expressiveness: Subgraph GNNs with Walk-Based Centrality
von: Southern, Joshua, et al.
Veröffentlicht: (2025)

Do Efficient Transformers Really Save Computation?
von: Yang, Kai, et al.
Veröffentlicht: (2024)

Rethinking Multi-Label Node Classification: Do Tuned Classic GNNs Suffice?
von: Xiao, Yuxuan, et al.
Veröffentlicht: (2026)

GNNs Meet Sequence Models Along the Shortest-Path: an Expressive Method for Link Prediction
von: Ferrini, Francesco, et al.
Veröffentlicht: (2025)

Subgraphormer: Unifying Subgraph GNNs and Graph Transformers via Graph Products
von: Bar-Shalom, Guy, et al.
Veröffentlicht: (2024)

GeoMFormer: A General Architecture for Geometric Molecular Representation Learning
von: Chen, Tianlang, et al.
Veröffentlicht: (2024)

On the Expressive Power of Geometric Graph Neural Networks
von: Joshi, Chaitanya K., et al.
Veröffentlicht: (2023)

On the Scalability of GNNs for Molecular Graphs
von: Sypetkowski, Maciej, et al.
Veröffentlicht: (2024)

From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction
von: Yan, Bencheng, et al.
Veröffentlicht: (2025)

Classic GNNs are Strong Baselines: Reassessing GNNs for Node Classification
von: Luo, Yuankai, et al.
Veröffentlicht: (2024)

Connectivity-Guided Sparsification of 2-FWL GNNs: Preserving Full Expressivity with Improved Efficiency
von: Chen, Rongqin, et al.
Veröffentlicht: (2025)

The Expressive Power of Graph Neural Networks: A Survey
von: Zhang, Bingxu, et al.
Veröffentlicht: (2023)

Empowering GNNs for Domain Adaptation via Denoising Target Graph
von: Yu, Haiyang, et al.
Veröffentlicht: (2025)

UniSite: The First Cross-Structure Dataset and Learning Framework for End-to-End Ligand Binding Site Detection
von: Fan, Jigang, et al.
Veröffentlicht: (2025)

Rethinking the Power of Graph Canonization in Graph Representation Learning with Stability
von: Dong, Zehao, et al.
Veröffentlicht: (2023)

Distance-Restricted Folklore Weisfeiler-Leman GNNs with Provable Cycle Counting Power
von: Zhou, Junru, et al.
Veröffentlicht: (2023)

A Flexible, Equivariant Framework for Subgraph GNNs via Graph Products and Graph Coarsening
von: Bar-Shalom, Guy, et al.
Veröffentlicht: (2024)

Expressive Power of Graph Neural Networks for (Mixed-Integer) Quadratic Programs
von: Chen, Ziang, et al.
Veröffentlicht: (2024)