结合改进随机游走核的描述性核卷积网络

图核曾经是结构化数据特征工程的主导方法，但由于缺乏可学习性，现已被现代 GNN 取代。最近，一系列核卷积网络通过引入可学习性成功复兴了图核，它使用特定的图核将输入与可学习的隐藏图进行卷积。随机游走核（RWK）已被用作许多 KCN 的默认核，并受到越来越多的关注。在本文中，我们首先重新审视了 RWK 及其在 KCN 中的当前用法，揭示了现有设计的若干缺陷，并通过引入颜色匹配随机游走并推导其高效计算，提出了一种改进的图核 RWK+。然后，我们提出了 RWK+CN，这是一种以 RWK+ 为核心核的 KCN，旨在通过无监督目标学习描述性图特征，这是 GNN 无法实现的。进一步地，通过展开 RWK+，我们发现了它与常规 GCN 层的联系，并提出了一种新颖的 GNN 层 RWK+Conv。在实验的第一部分，我们在无监督模式挖掘任务中展示了结合改进随机游走核 RWK+ 的 RWK+CN 的描述性学习能力；在第二部分，我们展示了 RWK+ 对多种 KCN 架构和有监督图学习任务的有效性，并证明了 RWK+Conv 层的表达能力，尤其是在图级任务上。RWK+ 和 RWK+Conv 适应于各种实际应用，包括网络规模的 Twitter 社交网络中的机器人检测以及 Reddit 社交互动网络中的社区分类等网络应用。