基于虚拟节点深度学习的图分类
机器学习
2017-08-16 v1 人工智能
机器学习
摘要
用于图分类的表示学习将可变大小的图转化为固定大小的向量（或矩阵）。这种表示非常适合代数操作。在此，我们引入一种简单的方法，通过一个与所有现有节点双向连接的虚拟节点来扩充属性图。该虚拟节点表示图的潜在方面，这些方面无法直接从属性和局部连接结构中获取。然后将扩充后的图输入任何节点表示方法。虚拟节点的表示即为整个图的表示。在本文中，我们对扩充后的图使用最近引入的 Column Network，产生了一个被称为虚拟列网络 (VCN) 的端到端图分类新模型。该模型在两个任务上得到了验证： 预测化合物的生物活性，以及 从源代码中发现软件漏洞。结果表明，VCN 与成熟的竞争对手相比具有竞争力。
引用
@article{arxiv.1708.04357,
title = {Graph Classification via Deep Learning with Virtual Nodes},
author = {Trang Pham and Truyen Tran and Hoa Dam and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1708.04357},
year = {2017}
}