论文信息
论文标题：How Powerful are K-hop Message Passing Graph Neural Networks
论文作者：Jiarui Feng, Yixin Chen, Fuhai Li, Anindya Sarkar, Muhan Zhang
论文来源：2022,arXiv
论文地址：download
论文代码：download
详细内容，参考本文博客 论文解读（KP-GNN）《How Powerful are K-hop Message Passing Graph Neural Networks》
1 Introduction
本文工作：
1)正式区分了 K-hop 邻居的两个不同的内核，它们在以前的工作中经常被滥用。一种是基于图扩散（graph diffusion），另一种是基于最短路径距离（shortest path distance）。我们表明，不同的 K-hop 邻居内核会导致不同的 K-hop 消息传递的表达能力；
2)从理论上描述了 K-hop 消息传递 GNN 的表达能力，并将所提出的定理推广到大多数现有的 K-hop 模型中；
3)证明了 K-hop 消息传递在严格意义上比 1-hop 消息传递更强大；
4)演示了无论使用哪个内核，使用 K-hop 消息传递来区分一些简单的正则图都会带来一定的限制，这促使我们进一步改进 K-hop 消息的传递；
5)介绍了一种新的GNN框架的k跳消息传递KP-GNN，它显著提高了标准k跳消息传递GNN的表达能力；
