DeSCo：面向可泛化与可扩展的深度子图计数
机器学习
2023-12-21 v2 社会与信息网络
摘要
我们提出DeSCo，一种可扩展的神经深度子图计数流水线，旨在单次训练后准确预测目标图上查询的计数与出现位置。首先，DeSCo使用一种新颖的规范划分将大型目标图划分为小型邻域图，在极大降低计数方差的同时保证无遗漏或重复计数。其次，邻域计数使用一种富有表达力的基于子图的异构图神经网络来精确计数各邻域中的子图。最后， gossip传播通过可学习门控传播邻域计数，以利用模体计数的归纳偏置。DeSCo在来自不同领域的八个真实世界数据集上进行了评估。其在计数预测的均方误差上以137倍的提升优于SOTA神经方法，同时保持多项式运行时间复杂度。我们的开源项目位于 https://github.com/fuvty/DeSCo。
引用
@article{arxiv.2308.08198,
title = {DeSCo: Towards Generalizable and Scalable Deep Subgraph Counting},
author = {Tianyu Fu and Chiyue Wei and Yu Wang and Rex Ying},
journal= {arXiv preprint arXiv:2308.08198},
year = {2023}
}
备注
8 pages main text, 2 pages references, 11 pages appendix; open source at https://github.com/fuvty/DeSCo