用于图分类的多尺度 Wasserstein 最短路径图核
机器学习
2024-05-14 v5 人工智能
摘要
图核是计算图相似度的常规方法。然而，现有的 R-卷积图核无法同时解决两个挑战：1) 在多尺度下比较图，以及 2) 在计算核矩阵时考虑子结构的分布。这两个挑战限制了它们的性能。为缓解这两个挑战，我们提出一种称为多尺度 Wasserstein 最短路径图核(MWSP)的新图核，其核心是多尺度最短路径节点特征映射，其中每个元素表示节点周围最短路径的出现次数。最短路径由其中所有节点标签的拼接表示。由于最短路径节点特征映射只能在局部尺度比较图，我们将其纳入图结构的多个不同尺度，这些尺度由图中以各节点为根的不同深度截断 BFS 树捕获。我们使用 Wasserstein 距离计算两图多尺度最短路径节点特征映射之间的相似度，从而考虑最短路径的分布。我们在多个基准图数据集上实证验证 MWSP，并证明其在大多数数据集上取得了最先进的性能。
引用
@article{arxiv.2206.00979,
title = {Multi-scale Wasserstein Shortest-path Graph Kernels for Graph Classification},
author = {Wei Ye and Hao Tian and Qijun Chen},
journal= {arXiv preprint arXiv:2206.00979},
year = {2024}
}
备注
12 pages