基于混合 $L_{0,2}$ 范数约束的精确子图同构网络：用于预测图挖掘
机器学习
2026-02-11 v2
摘要
在图级别预测任务中（为给定图预测标签），输入图子图中包含的信息起着关键作用。本文提出了 Exact subgraph Isomorphism Network（EIN），其结合了精确子图枚举、神经网络和由混合 范数约束实现的稀疏正则化。一般而言，在获得高判别能力的同时实现可解释性仍是一个具有挑战性的问题。我们的方法将子图枚举与神经网络相结合，提高了对输入图子图结构的判别能力。进一步，EIN 中的稀疏正则化使我们能够 1）导出一种有效的修剪策略，在保持预测性能的同时缓解枚举计算难度，以及 2）识别贡献大的数据子图，从而实现高可解释性。我们通过实验表明，EIN 在准确性方面相当于标准图神经网络模型，同时，我们还展示了基于所选子图的事后分析示例。
引用
@article{arxiv.2509.21699,
title = {Exact Subgraph Isomorphism Network with Mixed $L_{0,2}$ Norm Constraint for Predictive Graph Mining},
author = {Taiga Kojima and Haruto Kajita and Ayato Kohara and Masayuki Karasuyama},
journal= {arXiv preprint arXiv:2509.21699},
year = {2026}
}