【论文笔记】Semi-Supervised Graph Classification: A Hierarchical Graph Perspective

Semi-Supervised Graph Classification: A Hierarchical Graph Perspective

---

作者提出的Self-Attentive Graph Embedding method(SAGE)方法是一种半监督学习(semi-supervised)的层级图(hierarchical graph )分类算法，该方法将supervised以及self-attentive graph embedding结合，通过把具有不同拓扑结构的图实例(graph instance)转化为固定长度的向量，然后构建出分类器IC、HC分别用于graph instance-level以及hierarchical graph-level充分挖掘有用信息。将提出的半监督SEAL-C/AI学习方法，数据集上采用一种迭代的框架反复更新IC以及HC。

Introduction

提出Self-Attentive Graph Embedding method(SAGE)方法，能够将变化的Graph Instance结合每个Node根据graph的重要性产生固定长度的向量。

Challenges

目前主要面临的问题是一下三个方面

1. Size invariance：如何能够灵活地将任意大小的Graph Instance转换为固定长度的Embedding Vector；
2. Permutation invariance：如何在不考虑节点排列的情况获得Node-level representation；
3. Node importance：如何将不同节点的重要性编码成统一的Embedding Vector；

Method

Problem Formulation

1. 将Graph classification转换为优化问题： $min\zeta (G_l)+\xi (G_u)$
2. $\zeta (G_l)$ 包含两部分 $\zeta (G_l)={\sum }_{g_i\in G_l}(L(y_i,{\psi }_i)+L(y_i,{\gamma }_i))$
3. disagreement loss $\xi (G_u)={\sum }_{g_i\in G_l}{D}_{KL}({\gamma }_i||{\psi }_i)$

其中 D K L ( P ∥ Q ) = ∑ j P j