将子图翻译为节点使简单 GNN 在子图表示学习中强大且高效

子图表示学习已成为一个重要问题，但其默认做法是在大型全局图上使用专门的图神经网络。这些模型需要大量内存和计算资源，且难以对子图的层次结构建模。本文中，我们提出子图到节点（S2N）翻译，一种用于学习子图表示的新颖表述。具体而言，给定全局图中的一组子图，我们通过将子图粗化为节点来构建一个新图。通过理论和实证证据说明，S2N 不仅相比最先进模型显著降低了内存与计算成本，还因捕获了子图的局部与全局结构而优于它们。借助图粗化方法，即使在子图不足的数据稀缺设定下，我们的方法也优于基线。我们在八个基准上的实验表明，采用 S2N 翻译的微调模型能以更好或相近的性能水平处理比最先进模型多 183–711 倍的子图样本。