基于邻域感知星形核的异构属性图学习
机器学习
2025-11-17 v1
摘要
属性图通常以不规则的拓扑结构和数值与类别属性的混合特征为特征，广泛存在于社交网络、生物信息学和化学信息学等领域。虽然图核方法提供了衡量图相似性的原则框架，但现有的核方法往往难以同时捕获属性图中异构属性语义和邻域信息。本文提出了一种名为邻域感知星形核 (Neighborhood-Aware Star Kernel, NASK) 的新型图核，专为属性图学习设计。NASK 利用 Gower 相似系数的指数变换，高效地联合建模数值和类别特征，并通过以星形子结构为基础的 Weisfeiler-Lehman 迭代，集成多尺度邻域结构信息。我们在理论上证明 NASK 为正定，从而确保与基于核的学习框架（如 SVM）的兼容性。在十一个属性图和四个大规模真实图基准上进行了大量实验。结果表明，NASK 在十六个最先进的基线方法（包括九个图核和七个图神经网络）上 consistently 取得优异性能。
引用
@article{arxiv.2511.11245,
title = {Heterogeneous Attributed Graph Learning via Neighborhood-Aware Star Kernels},
author = {Hong Huang and Chengyu Yao and Haiming Chen and Hang Gao},
journal= {arXiv preprint arXiv:2511.11245},
year = {2025}
}