基于次结构感知图最优匹配核卷积网络的解缠图表示
机器学习
2025-04-24 v1
摘要
图有效地刻画了关系数据，推动了图表示学习方法的发展，以揭示其背后的预测性信息。作为最先进的方法，图神经网络（GNN）使能够实现多样任务的端到端学习。近期的解缠图表示学习通过解耦图数据中的独立因素来增强可解释性。然而，现有方法往往以隐式且粗糙的方式刻画图结构，限制了图内部结构模式的分析。本文提出了图最优匹配核卷积网络（Graph Optimal Matching Kernel Convolutional Network, GOMKCN）以应对这一限制。我们将图视为以节点为中心的子图，其中每个子图充当编码位置特定信息的结构因子。这一转换将图预测转化为结构模式识别。灵感来源于 CNN，GOMKCN 引入图最优匹配核（Graph Optimal Matching Kernel, GOMK）作为卷积算子，计算子图与可学习图滤波器之间的相似性。从数学上讲，GOMK 将子图和滤波器映射到希尔伯特空间， 将图表示为点集。解缠表示通过将子图投影到任务优化滤波器上而生成，这些滤波器通过梯度下降适应性地捕获相关结构模式。关键地说，GOMK 包含局部对应关系的相似性度量，解决了图核方法中可微分性与精度之间的权衡。实验验证了 GOMKCN 在图模式挖掘和预测任务中实现了卓越的精度和可解释性。该框架为解缠图表示学习的理论基础提供了推进。
引用
@article{arxiv.2504.16360,
title = {Disentangled Graph Representation Based on Substructure-Aware Graph Optimal Matching Kernel Convolutional Networks},
author = {Mao Wang and Tao Wu and Xingping Xian and Shaojie Qiao and Weina Niu and Canyixing Cui},
journal= {arXiv preprint arXiv:2504.16360},
year = {2025}
}