DEMO-Net：用于节点与图分类的度特定图神经网络
机器学习
2019-06-07 v1 机器学习
摘要
图数据广泛存在于许多高影响力应用中。受深度学习在网格结构数据上成功的启发，图神经网络模型被提出以学习强大的节点级或图级表示。然而，大多数现有图神经网络存在以下局限：（1）关于图卷积性质（如面向种子、度感知、顺序无关）的分析有限；（2）节点的度特定图结构未在图卷积中显式表达以区分结构感知的节点邻域；（3）关于图级池化方案的理论解释不明确。为解决这些问题，我们提出了一种受 Weisfeiler-Lehman 图同构测试（递归识别 1-跳邻域结构）启发的通用度特定图神经网络 DEMO-Net。为显式捕获融合节点属性的图拓扑，我们认为图卷积应具备三种性质：面向种子、度感知、顺序无关。为此，我们提出多任务图卷积，其中每个任务代表针对具有特定度值的节点的节点表示学习，从而保留度特定图结构。特别地，我们设计了两种多任务学习方法：用于图卷积的度特定权重与哈希函数。此外，我们提出了一种新颖的图级池化/读出方案，用于学习可证明位于度特定希尔伯特核空间中的图表示。在多个节点与图分类基准数据集上的实验结果证明了我们所提 DEMO-Net 相对于最先进图神经网络模型的有效性与高效性。
引用
@article{arxiv.1906.02319,
title = {DEMO-Net: Degree-specific Graph Neural Networks for Node and Graph Classification},
author = {Jun Wu and Jingrui He and Jiejun Xu},
journal= {arXiv preprint arXiv:1906.02319},
year = {2019}
}
备注
Accepted by KDD2019 Research track