KerGNNs：具有图核的可解释图神经网络

图核历史上是图分类任务中使用最广泛的技术。然而，由于图的手工组合特征，这些方法的性能受到限制。近年来，图神经网络（GNNs）因其卓越的表现而成为下游图相关任务的最先进方法。大多数GNN基于消息传递神经网络（MPNN）框架。然而，最近的研究表明，MPNN在图同构测试中无法超越Weisfeiler-Lehman（WL）算法的能力。为了解决现有图核和GNN方法的局限性，本文提出了一种新颖的GNN框架，称为核图神经网络（KerGNNs），该框架将图核集成到GNN的消息传递过程中。受卷积神经网络（CNN）中卷积滤波器的启发，KerGNNs采用可训练的隐藏图作为图滤波器，与子图结合，用图核更新节点嵌入。此外，我们还表明，MPNN可以视为KerGNNs的特殊情况。我们将KerGNNs应用于多个图相关任务，并使用交叉验证与基准进行公平比较。我们表明，与现有最先进的方法相比，我们的方法在性能上表现出竞争力，显示出提高GNN表示能力的潜力。我们还表明，KerGNNs中训练的图滤波器可以揭示数据集的局部图结构，相比传统GNN模型显著提高了模型的可解释性。