Graph Classification Gaussian Processes via Spectral Features

要約

グラフ分類は、構造とノード属性に基づいてグラフを分類することを目的としています。
この研究では、スペクトル特徴を導き出すことでグラフ信号処理のツールを使用してこのタスクに取り組むことを提案します。その後、それを使用してグラフ分類用のガウス過程モデルの 2 つのバリアントを設計します。
最初の変形では、グラフのスペクトルにわたるノード特徴信号のエネルギーの分布に基づくスペクトル特徴を使用します。
私たちは、学習されたパラメーターを持たないこのような単純なアプローチでも、強力なニューラル ネットワークやグラフ カーネルのベースラインと比較して競争力のあるパフォーマンスを生み出すことができることを示します。
2 番目のより洗練されたバリアントは、スペクトル グラフ ウェーブレット フィルターを学習することで、グラフ内のマルチスケールおよび局所的なパターンをキャプチャし、合成および実世界のデータ セットのパフォーマンスを向上させるように設計されています。
最後に、両方のモデルが適切に校正された不確実性推定値を生成し、モデル予測に基づいて信頼できる意思決定を可能にすることを示します。

要約(オリジナル)

Graph classification aims to categorise graphs based on their structure and node attributes. In this work, we propose to tackle this task using tools from graph signal processing by deriving spectral features, which we then use to design two variants of Gaussian process models for graph classification. The first variant uses spectral features based on the distribution of energy of a node feature signal over the spectrum of the graph. We show that even such a simple approach, having no learned parameters, can yield competitive performance compared to strong neural network and graph kernel baselines. A second, more sophisticated variant is designed to capture multi-scale and localised patterns in the graph by learning spectral graph wavelet filters, obtaining improved performance on synthetic and real-world data sets. Finally, we show that both models produce well calibrated uncertainty estimates, enabling reliable decision making based on the model predictions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google