面向图分类的模体驱动子图结构学习

为了缓解图结构的次优性，图结构学习已成为一种有前景的方法，用于改进图结构并提升下游任务的性能。尽管已经提出了许多图结构学习方法，但该领域的进展主要集中在节点级任务上，而图级任务（如图分类）在很大程度上仍未得到探索。值得注意的是，由于缺乏对复杂结构学习的细粒度指导，将节点级图结构学习应用于图分类并非易事。受子图在图分类中关键作用的启发，本文通过应对关键子图选择和结构优化的挑战，探索了子图结构学习在图分类中的潜力。我们提出了一种新颖的用于图分类的模体驱动子图结构学习方法。具体来说，该方法包含一个子图结构学习模块，可以自适应地选择重要子图。进一步引入了一个模体驱动的结构引导模块，以捕获关键的子图级结构模式（模体）并促进个性化结构学习。大量实验表明，该方法相对于基线方法有显著且一致的改进，并且对各种主干网络和学习过程具有灵活性和泛化能力。