SUGAR：具有强化池化与自监督互信息机制的子图神经网络
机器学习
2021-05-25 v3 人工智能
摘要
图表示学习已吸引日益增长的研究关注。然而，多数现有研究融合所有结构特征与节点属性以提供图的概览视角，忽略了更精细子结构的语义，并受制于可解释性难题。本文提出一种新颖的基于层次化子图级选择与嵌入的图神经网络用于图分类，即 SUGAR，以学习更具判别力的子图表示并以可解释方式作出响应。SUGAR 通过提取显著子图作为原始图的代表性部分以揭示子图级模式，从而重构一幅概略图。为在无先验知识下自适应选择显著子图，我们发展了强化池化机制，提升了模型的泛化能力。为区分图间的子图表示，我们提出自监督互信息机制，通过最大化互信息使子图嵌入关注全局图结构属性。在六个典型生物信息学数据集上的大量实验表明，模型质量取得显著且一致的提升，兼具竞争力与可解释性。
引用
@article{arxiv.2101.08170,
title = {SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism},
author = {Qingyun Sun and Jianxin Li and Hao Peng and Jia Wu and Yuanxing Ning and Phillip S. Yu and Lifang He},
journal= {arXiv preprint arXiv:2101.08170},
year = {2021}
}
备注
Accepted by The Web Conference (WWW) 2021