一种面向图分类的类感知表示精化框架
机器学习
2024-06-07 v2 人工智能
摘要
图神经网络（GNNs）被广泛用于图表示学习。尽管其应用广泛，GNN 在图分类任务中存在两个缺陷：忽视图级关系以及泛化问题。在 GNN 消息传递/图池化中，每个图被单独处理，且现有解决过拟合的方法作用于每个单独的图。这使得学到的图表示在下游分类中效果较差。本文中，我们提出一种类感知表示精化（CARE）框架用于图分类任务。CARE 计算简单而强大的类表示，并将其注入以引导图表示的学习朝向更好的类可分性。CARE 是一个即插即用的框架，具有高度灵活性，能够整合任意 GNN 骨干网络而无需显著增加计算成本。我们还通过 Vapnik-Chervonenkis（VC）维分析从理论上证明 CARE 比其 GNN 骨干网络具有更好的泛化上界。我们在 9 个基准数据集上使用 11 种知名 GNN 骨干网络进行的广泛实验验证了 CARE 相对于其 GNN 对应方法的优越性和有效性。
引用
@article{arxiv.2209.00936,
title = {A Class-Aware Representation Refinement Framework for Graph Classification},
author = {Jiaxing Xu and Jinjie Ni and Yiping Ke},
journal= {arXiv preprint arXiv:2209.00936},
year = {2024}
}