---
title: "圖同構網路（Graph Isomorphism Network）"
slug: graph-isomorphism-network
language: zh-TW
source: https://aiterms.tw/terms/graph-isomorphism-network
updated_at: 2026-06-22
tags: [深度學習, 神經網路, AI基礎, AI應用]
ipas_term: false
---

# 圖同構網路（Graph Isomorphism Network）

一種 GNN 模型，基於圖同構測試的 Weisfeiler-Lehman 算法設計，具有較強的圖判別能力。

## 完整說明

圖同構網路（GIN）由 Xu 等人提出，理論上對應於 Weisfeiler-Lehman（WL）測試的神經網路版本。WL 算法是檢驗兩個圖是否同構的經典方法，通過迭代更新節點標籤來判別圖結構。GIN 將 WL 算法的思想融入神經網路，設計了一個具有最大表現力的 GNN。相比 GCN 等模型，GIN 在圖級別的判別任務（如分子分類）上表現更優異，且有完整的理論保證。

## 常見問題

### 為什麼 GIN 選擇求和而非平均聚合？

求和聚合保留了鄰域的「計數」信息。例如，節點 A 有 2 個相同標籤的鄰域 vs. 節點 B 有 4 個相同標籤的鄰域，這個差異對圖結構判別有意義。平均聚合會抹掉這種差異（2÷2 = 1 和 4÷4 = 1 都歸一化為 1）。在 WL 算法中，聚合的本質是「計算不同標籤的出現次數」，這直接對應到求和。最大值聚合則完全丟失計數信息，也被 GIN 拒絕。

### GIN 中的可學習參數 ε 的作用是什麼？

ε 控制節點自身特徵 h_v^(k) 在聚合中的權重。當 ε 小時，節點自身特徵貢獻少，聚合主要來自鄰域；ε 大時，自身特徵貢獻大。可學習的 ε 讓模型根據任務選擇合適的平衡。理論上，ε 的存在保證了 GIN 能區分那些差異主要在「自環特徵」（如節點類型）與「鄰域結構」不同的圖。固定 ε=0 的版本也被使用，但可學習 ε 通常性能更好。

### GIN 如何應用到節點分類任務？

標準 GIN 設計用於圖分類。對於節點分類，修改方式為：(1) 移除層級讀出（layer-wise readout），(2) 在最後一層直接用節點表示進行分類，(3) 可選地添加跳連來防止過平滑。修改後的 GIN 對節點分類的性能與 GCN 相近，未必優於 GCN。GIN 的主要優勢在圖級別任務上體現。

---

來源：https://aiterms.tw/terms/graph-isomorphism-network
快查頁：https://aiterms.tw/terms/graph-isomorphism-network
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-graph-isomorphism-network