基于判别性边特征学习的图分类
计算机视觉与模式识别
2022-10-06 v1 机器学习
摘要
谱图卷积神经网络（GCNNs）在图分类任务中已产生令人鼓舞的结果。然而，大多数谱 GCNN 在聚合节点特征时使用固定图，忽略了边特征学习且无法获得最优图结构。此外，许多现有图数据集未提供初始化的边特征，进一步限制了通过谱 GCNN 学习边特征的能力。本文中，我们试图通过设计一种边特征方案以及在 GCNN 中每两个堆叠图卷积层之间的附加层来解决此问题。二者均为轻量级，同时能有效填补边特征学习与图分类性能提升之间的鸿沟。边特征方案使边特征适应于不同图卷积层的节点表示。附加层有助于将边特征调整为最优图结构。为测试方法有效性，我们取欧氏位置为初始节点特征，并从点云物体中提取具语义信息的图。我们所提取图的节点特征比大多数现有图数据集（独热编码标签格式）更利于边特征学习。基于 ModelNet40、ModelNet10 和 ShapeNet Part 数据集构建了三个新图数据集。实验结果表明，我们的方法在新数据集上优于最先进图分类方法，在 Graph-ModelNet40 上达到 96.56% 总体准确率，在 Graph-ModelNet10 上达 98.79%，在 Graph-ShapeNet Part 上达 97.91%。所构建图数据集将向社区发布。
引用
@article{arxiv.2210.02060,
title = {Graph Classification via Discriminative Edge Feature Learning},
author = {Yang Yi and Xuequan Lu and Shang Gao and Antonio Robles-Kelly and Yuejie Zhang},
journal= {arXiv preprint arXiv:2210.02060},
year = {2022}
}