Unsupervised Inductive Whole-Graph Embedding by Preserving Graph Proximity

ICLR 2019 提交
通过保持图的接近性来实现无监督归纳全图嵌入
https://arxiv.org/pdf/1904.01098.pdf
设计无监督图嵌入模型面临的主要挑战是在训练阶段缺乏图级信号。 与利用图的链接结构嵌入节点不同，图之间缺乏这种自然接近（相似/距离）信息。 因此，监督方法通常采用图标签作为指导并使用基于聚合的方法，例如， 节点嵌入的平均值，用于生成图级嵌入，隐含的假设是仅使用“图内信息”（例如节点属性，链接结构等）的良好的节点级嵌入将自动导致良好的图级嵌入。然而，这种假设是有问题的，因为节点嵌入的简单聚合只能保留有限的图级属性，不足以测量图 - 图接近度（“图间”信息）。
UGRAPHEMB的目标是以完全无监督和归纳的方式学习高质量的图形级表示：在训练期间，它学习一个将图映射到能够最好的保持图-图接近度的通用嵌入空间的函数，以便在训练之后，任何图都可以通过应用学习到的函数映射到此嵌入空间。受到文本领域最近成功的预训练方法的启发，我们通过结合监督损失进一步微调模型，以在下游任务中获得更好的性能，包括图分类，图相似性排序，图形可视化等。

图1：UGRAPHEMB概述:
（a）给定一组图;
（b）UGRAPHEMB首先计算图 - 图接近度分数；
（c）产生“超图”，其中每个节点是数据集中的图，并且每个边缘具有接近度分数与之相关，代表其权重/强度。然后，UGRAPHEMB训练一个函数，将每个图形映射到一个保留邻近分数的嵌入；
（d）在生成嵌入之后，可以执行相似性排序。绿色“+”符号表示示例查询图。红色和蓝色表示基于事实真相，对于查询有多么相似和不同的图表；
（e）最后，UGRAPHEMB可以对保留邻近度的全图嵌入进行微调，并针对图分类任务进行调整。