ScaleNet：有向图中的尺度不变性学习
机器学习
2024-11-27 v3
摘要
图神经网络（GNN）推动了关系数据分析的发展，但缺乏图像分类中常见的不变性学习技术。在基于 GNN 的节点分类中，实际被分类的是中心节点的自我图。本研究通过借鉴图像处理的类比，将尺度不变性概念扩展到节点分类：正如尺度不变性在图像分类中用于捕捉多尺度特征，我们提出了“缩放自我图”的概念。缩放自我图通过将无向单边替换为“缩放边”——有向边的有序序列——来泛化传统的自我图。我们在七个基准数据集上实证评估了图中尺度不变性的性能，涵盖同配和异配结构。基于尺度不变性的图学习通过更简单、更快、更准确的方式，优于源自随机游走的 Inception 模型。尺度不变性解释了 Inception 模型在同配图上的成功及其在异配图上的局限。为确保 Inception 模型也适用于异配图，我们进一步提出了 ScaleNet，一种利用多尺度特征的架构。ScaleNet 在七个数据集中的五个上达到最先进结果（四个同配和一个异配），并在其余两个上匹配顶级性能，展示了其卓越的适用性。这代表了图学习的重大进展，提供了一个统一框架，增强了各类图上的节点分类。代码可在 https://github.com/Qin87/ScaleNet/tree/July25 获取。
引用
@article{arxiv.2411.08758,
title = {ScaleNet: Scale Invariance Learning in Directed Graphs},
author = {Qin Jiang and Chengjia Wang and Michael Lones and Yingfang Yuan and Wei Pang},
journal= {arXiv preprint arXiv:2411.08758},
year = {2024}
}
备注
Scale invariance in node classification is demonstrated and applied in graph transformation to develop ScaleNet, which achieves state-of-the-art performance on both homophilic and heterophilic directed graphs