用于图分类的游走引导卷积

图分类是众多现实应用中一个基础但具有挑战性的问题。尽管图像/视频分类近期取得了巨大进展，卷积神经网络（CNNs）由于图的非欧几里得拓扑结构尚不能很好地适用于图。在本工作中，我们提出一种游走引导卷积（WSC）网络，以融合标准卷积神经网络的重要成功之处与随机游走的强大表示能力。与先前图卷积神经网络所用的确定性邻域搜索不同，我们借助随机游走路径构建多尺度游走场（又称局部感受野）以刻画子图结构并支持图的可扩展性。为表达游走场内部的变化，引入高斯混合模型来编码其中游走路径的主成分。类比于图像上的标准卷积核，高斯模型在投影到高斯参数的梯度空间后，隐式地协调局部感受野中那些无序的顶点/节点与边。我们进一步通过动态聚类将图粗化叠加于高斯编码之上，从而能像图像上的常规池化那样很好地学习图的高层语义。在多个公开数据集上的实验结果证明了我们所提 WSC 方法相对于许多最先进图分类方法的优越性。