用于图分类的可学习结构语义读出

随着深度学习在各领域的巨大成功，图神经网络（GNNs）也成为图分类的主导方法。借助简单地聚合所有节点（或节点簇）表示的全局读出操作，现有 GNN 分类器获得输入图的图级表示，并利用该表示预测其类别标签。然而，此类全局聚合未考虑每个节点的结构信息，导致全局结构上的信息丢失。特别地，它通过强制分类器对所有节点表示使用相同的权重参数而限制了判别能力；实际上，取决于其结构语义，它们各自对目标类别的贡献不同。在本工作中，我们提出结构语义读出（SSRead）以在位置级别汇总节点表示，从而允许建模位置特定的权重参数用于分类，并有效捕获与全局结构相关的图语义。给定输入图，SSRead 旨在通过使用其节点与结构原型（编码每个位置的原型特征）之间的语义对齐来识别具有结构意义的位置。结构原型被优化以最小化所有训练图的对齐代价，而其他 GNN 参数被训练以预测类别标签。我们的实验结果表明，SSRead 在兼容多种聚合函数、GNN 架构与学习框架的同时，显著提升了 GNN 分类器的分类性能与可解释性。