利用虚拟节点提升图结构学习

随着图核与图表示学习的发展，许多优越的方法被提出以处理图结构学习中的可扩展性与过平滑问题。然而，大多数此类策略基于实践经验而非理论分析设计。本文中，我们使用一个连接所有现有顶点且不影响原始顶点与边属性的特定虚拟节点。我们进一步证明，这样的虚拟节点有助于构建高效的单射边到顶点变换及用于恢复原始图的满射逆变换。这也表明添加虚拟节点可保留局部与全局结构，以利于更好的图表示学习。我们用虚拟节点扩展图核与图神经网络，并在图分类与子图同构匹配任务上开展实验。实证结果表明，以带虚拟节点的图作为输入可显著提升图结构学习，且使用其边到顶点图也能取得相似结果。我们还讨论了虚拟节点为神经网络带来的表达能力增益。