本文探讨了一种使用随机游走图神经网络进行图分类的方法。通过训练一组隐藏图，输入图与隐藏图的相似度作为其表示，随后利用全连接层进行分类。关键在于计算输入图与隐藏图的相似度，初始采用随机游走核，但仅考虑结构信息。为考虑节点特征，引入节点特征相似度。文章还提出了提高模型计算效率的策略，并在人工合成图及现实世界数据集（如蛋白质、药物分子和社交网络）上进行实验。
paper链接：https://papers.nips.cc/paper/2020/file/ba95d78a7c942571185308775a97a3a0-Paper.pdf
本文要做的task是graph分类，核心的方法是设定一组可训练的hidden graph，然后每个输入的graph都会和所有hidden graph对比一下，得到一组similarity score，这一组similarity score也就是输入的graph的representation了，然后可以用简单的fc layer做分类。这一组hidden graph相当于是一些关键的结构，每一个输入的graph都相当于做了一个分解，分解成了这些hidden graph的组合，在优化的过程中，这些hidden graph会被不断的训练，最终能够表示数据集里面的graph所共有的一些关键结构。
可以看出，如何将输入的graph对应到这些hidden graph是一个关键的环节，本文基于random walk kernel，计算input graph和hidden graph相似度的时候采取的是
，这个数值代表的是两个graph能找到多少对应的长度
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
