基于GNN的图分类学习研究综述[2]:基于图神经网络的图分类
论文阅读:基于GNN的图分类学习研究综述
摘要:本文首先给出图分类问题的定义和该领域的挑战;然后梳理分析了两类图分类方法——基于图相似度计算的图分类方法和基于图神经网络的图分类方法;接着给出了图分类方法的评价指标、常用数据集和实验结果对比;最后介绍了图分类常见的实际应用场景,展望了图分类领域的未来研究方向并对全文进行总结。
关键词:图分类、图核、图卷积;图池化;图神经网络
3. 基于图神经网络的图分类
基于图核方法通常依赖于一组固定特征,其特征表示难以有效地适应于新的数据分布。本文重点关注基于图神经网络的图分类方法,这类方法通过端到端的方式进行模型的优化学习,为图分类的准确率带来了较大的提升。
应用于图像分类任务的传统卷积神经网络,主要包括卷积和池化两个操作,这两个操作依赖于图像数据的结构规则性和平移不变性。但不同于图像数据,图数据是非欧数据,同一个数据集中的每个图大小不同,结构不一。图中的每个节点也具有不同的局部结构