AKBR：学习自适应基于核的表示用于图分类
机器学习
2024-08-14 v2 人工智能
摘要
在本文中，我们提出了一种新模型，用于学习自适应基于核的表示（Adaptive Kernel-based Representations, AKBR）以进行图分类。现有的最先进 R-convolution 图核仅通过计算图之间任意同构子结构对的数量来定义，且无法为分类器提供端到端的学习机制；与此不同，本文提出的 AKBR 方法旨在定义一个端到端的表示学习模型，为图构建自适应核矩阵。为此，我们首先利用一种新颖的特征通道注意力机制来捕获原始图不同子结构不变量之间的相互依赖关系。因此，所提出的 AKBR 模型能够有效识别不同子结构的结构重要性，并计算与由其结构注意力指定的更显著子结构相关的成对图之间的 R-convolution 核。由于从理论上讲，所得核矩阵的每一行都可以看作是一个样本图的嵌入向量，所提出的 AKBR 模型能够直接将所得核矩阵作为图特征矩阵并输入到分类器（即 SoftMax 层）中进行分类，从而在核计算与分类器之间自然地提供端到端的学习架构。实验结果表明，所提出的 AKBR 模型在标准图基准数据集上优于现有的最先进图核和深度学习方法。
引用
@article{arxiv.2403.16130,
title = {AKBR: Learning Adaptive Kernel-based Representations for Graph Classification},
author = {Feifei Qian and Lixin Cui and Ming Li and Yue Wang and Hangyuan Du and Lixiang Xu and Lu Bai and Philip S. Yu and Edwin R. Hancock},
journal= {arXiv preprint arXiv:2403.16130},
year = {2024}
}