基于子图注意力的鲁棒层次图分类
机器学习
2020-07-22 v1 社会与信息网络
摘要
图神经网络在机器学习领域因图表示与分类而受到显著关注。应用于节点邻域的注意力机制提升了图神经网络的性能，通常有助于识别对确定当前节点标签起更重要作用的邻居节点。但在真实场景中，往往是节点的特定子集整体（而非子集中的单个节点对）对确定图标签至关重要。为解决此问题，我们引入图的子图注意力概念。另一方面，层次图池化在近期文献中已展现出前景。但由于真实世界图具有含噪的层次结构，并非图的所有层次对图分类都起同等作用。为此，我们提出一种称为 SubGattPool 的图分类算法，其联合学习子图注意力，并采用两类不同的层次注意力机制来发现层次中的重要节点以及图中各个层次的重要性。与不同类型图分类算法的实验评估表明，SubGattPool 能够在多个公开可用图分类数据集上改进当前最优（SOTA）或保持竞争力。我们在合成与真实世界图数据集上进一步实验，以论证 SubGattPool 各组件的有效性，并展示其在其他下游任务上的一致性能。
引用
@article{arxiv.2007.10908,
title = {Robust Hierarchical Graph Classification with Subgraph Attention},
author = {Sambaran Bandyopadhyay and Manasvi Aggarwal and M. Narasimha Murty},
journal= {arXiv preprint arXiv:2007.10908},
year = {2020}
}
备注
A shorter version of this work was accepted and presented at ICML 2020 (non-archival) Workshop on Graph Representation Learning and Beyond (GRL+) with the title "Hierarchically Attentive Graph Pooling with Subgraph Attention"