深度图映射器：通过神经透镜观察图
机器学习
2020-02-21 v2 社会与信息网络
机器学习
摘要
图表示学习的最新进展催生了捕捉图主要性质的紧凑编码。然而，尽管这些抽象表示对下游任务强大，它们并不同样适合可视化目的。本工作中，我们将拓扑数据分析(TDA)领域的Mapper算法与图神经网络(GNNs)的表达能力相融合，以产生图的层次化、拓扑基础的视觉化。这些可视化不仅有助于辨识复杂图的结构，也提供了理解应用于图以解决各类任务的模型之手段。我们进一步通过数学证明Mapper与Min-Cut和Diff Pool的等价性，论证其作为图池化拓扑框架的适用性。基于此框架，我们引入一种基于PageRank的新颖池化算法，在图分类基准上取得了与最先进方法相竞争的结果。
引用
@article{arxiv.2002.03864,
title = {Deep Graph Mapper: Seeing Graphs through the Neural Lens},
author = {Cristian Bodnar and Cătălina Cangea and Pietro Liò},
journal= {arXiv preprint arXiv:2002.03864},
year = {2020}
}
备注
13 pages, 10 figures