基于节点 Weisfeiler-Lehman 子树间 $L_1$ 近似树编辑距离的 Wasserstein 图距离
机器学习
2023-05-02 v2 人工智能
摘要
Weisfeiler-Lehman (WL) 检验是图机器学习中广泛使用的算法，包括图核、图度量和图神经网络。然而，它仅关注图的一致性，这意味着它无法检测细微的结构差异。因此，这限制了其捕获结构信息的能力，也限制了依赖 WL 检验的现有模型的性能。对于由 WL 检验定义的传统的度量而言，这一限制尤为严重，它们无法精确捕获细微的结构差异。在本文中，我们提出一种称为 Wasserstein WL 子树 (WWLS) 距离的新型图度量来解决此问题。我们的方法利用 WL 子树作为节点邻域的结构信息，并使用节点 WL 子树之间的 近似树编辑距离 (-TED) 定义节点度量。随后，我们结合 Wasserstein 距离与 -TED 来定义 WWLS 距离，其能够捕获使用常规度量可能难以检测的细微结构差异。我们证明了所提出的 WWLS 距离在度量验证和图分类实验中均优于基线方法。
引用
@article{arxiv.2207.04216,
title = {Wasserstein Graph Distance Based on $L_1$-Approximated Tree Edit Distance between Weisfeiler-Lehman Subtrees},
author = {Zhongxi Fang and Jianming Huang and Xun Su and Hiroyuki Kasai},
journal= {arXiv preprint arXiv:2207.04216},
year = {2023}
}