用于图表示的关系池化
机器学习
2019-05-16 v2 机器学习
摘要
本工作将图神经网络（GNNs）推广到基于 Weisfeiler-Lehman（WL）算法、图拉普拉斯与扩散的方法之外。我们的方法称为关系池化（RP），借鉴有限偏交换性理论，为图提供具有最大表示能力的框架。RP 可与现有图表示模型协同工作，且有些反直觉地，能使它们甚至比原始 WL 同构测试更强大。此外，RP 允许诸如循环神经网络与卷积神经网络等架构在理论严谨的方法中用于图分类。我们在若干任务上展示了基于 RP 的图表示相较最先进方法的性能提升。
引用
@article{arxiv.1903.02541,
title = {Relational Pooling for Graph Representations},
author = {Ryan L. Murphy and Balasubramaniam Srinivasan and Vinayak Rao and Bruno Ribeiro},
journal= {arXiv preprint arXiv:1903.02541},
year = {2019}
}
备注
ICML 2019 Camera-Ready. Added to molecular experiments and balanced the classes of the validation folds for the synthetic-graph experiments. Clarified some discussions