显著性感知正则化图神经网络
机器学习
2024-01-02 v1
摘要
图分类的关键在于对整个图进行有效的表示学习。典型的图神经网络在聚合相邻节点特征时侧重于建模局部依赖关系，并通过聚合节点特征来获取整个图的表示。此类方法存在两个潜在局限：1) 未显式建模节点相对于图分类的全局显著性，而这一点至关重要，因为不同节点对图分类可能具有不同的语义相关性；2) 直接由节点特征聚合而成的图表示在反映图级信息方面可能效果有限。在本工作中，我们提出了用于图分类的显著性感知正则化图神经网络，它由两个核心模块组成：1) 一个作为主干的传统图神经网络，用于学习节点特征；2) 图神经记忆，旨在从主干的节点特征中提炼出紧凑的图表示。我们首先通过测量紧凑图表示与节点特征之间的语义相似度来估计全局节点显著性。随后，利用学习到的显著性分布对主干的邻域聚合进行正则化，从而促进显著节点特征的消息传递，并抑制相关性较弱的节点。因此，我们的模型能够学习到更有效的图表示。我们通过在多种类型图数据的七个数据集上进行大量实验，展示了 SAR-GNN 的优越性。代码将予开源。
引用
@article{arxiv.2401.00755,
title = {Saliency-Aware Regularized Graph Neural Network},
author = {Wenjie Pei and Weina Xu and Zongze Wu and Weichao Li and Jinfan Wang and Guangming Lu and Xiangrong Wang},
journal= {arXiv preprint arXiv:2401.00755},
year = {2024}
}
备注
Accepted by Artificial Intelligence Journal with minor revision