Ego-CNN：用于检测关键结构的图的分布式以自我为中心表示
机器学习
2019-06-25 v1 机器学习
摘要
我们研究使用图嵌入模型检测关键结构的问题。现有的图嵌入模型缺乏在全局尺度上精确检测特定于某一任务的关键结构的能力。在本文中，我们提出一种新颖的图嵌入模型，称为 Ego-CNNs，它在每一层采用自我卷积（ego-convolution），并以一种以自我为中心的方式堆叠各层，从而高效地检测精确的关键结构。Ego-CNN 可与任务模型联合训练，并有助于解释/发现该任务的知识。我们进行了大量实验，结果表明 Ego-CNNs（1）能取得与最先进的图嵌入模型相当的任务性能，（2）能很好地与 CNN 可视化技术配合以展示所检测到的结构，以及（3）高效且可结合无标度先验（这在社交网络数据集中常见）以进一步提升训练效率。
引用
@article{arxiv.1906.09602,
title = {Ego-CNN: Distributed, Egocentric Representations of Graphs for Detecting Critical Structures},
author = {Ruo-Chun Tzeng and Shan-Hung Wu},
journal= {arXiv preprint arXiv:1906.09602},
year = {2019}
}
备注
Proceedings of the 36th International Conference on Machine Learning