SPGNN: Recognizing Salient Subgraph Patterns via Enhanced Graph Convolution and Pooling

要約

グラフ ニューラル ネットワーク (GNN) は、グラフやネットワークなどの非ユークリッド データに関する機械学習の分野に革命をもたらしました。
GNN は近傍集約を通じてノード表現学習を効果的に実装し、多くのグラフ関連タスクで優れた結果を達成します。
ただし、ほとんどの近傍集約アプローチは合計ベースであり、情報を提供するグラフ構造をエンコードするには十分な表現力がない可能性があるため、問題が発生する可能性があります。
さらに、グラフ プーリング モジュールもグラフ学習、特にグラフ分類のタスクにとって非常に重要ですが、グラフ ダウンサンプリング メカニズムに関する研究はかなり限られています。
上記の課題に対処するために、非同型部分グラフを区別する際の識別力を最大化するためにノード表現を注入的に更新する連結ベースのグラフ畳み込みメカニズムを提案します。
さらに、深層学習方式で重要なサブグラフ パターンを学習するために、WL-SortPool と呼ばれる新しいグラフ プーリング モジュールを設計します。
WL-SortPool は、ノード表現 (つまり、連続した WL カラー) をレイヤーごとに並べ替えて、分類の目的で異なる深さのサブツリーの相対的な重要性を個別に学習します。これにより、複雑なグラフ トポロジとグラフにエンコードされた豊富な情報をより適切に特徴付けることができます。
我々は、これらの機能強化を組み込んだ新しいサブグラフ パターン GNN (SPGNN) アーキテクチャを提案します。
提案された SPGNN アーキテクチャを多くのグラフ分類ベンチマークでテストします。
実験結果は、私たちの方法が最先端のグラフ カーネルや他の GNN アプローチを使用して非常に競争力のある結果を達成できることを示しています。

要約(オリジナル)

Graph neural networks (GNNs) have revolutionized the field of machine learning on non-Euclidean data such as graphs and networks. GNNs effectively implement node representation learning through neighborhood aggregation and achieve impressive results in many graph-related tasks. However, most neighborhood aggregation approaches are summation-based, which can be problematic as they may not be sufficiently expressive to encode informative graph structures. Furthermore, though the graph pooling module is also of vital importance for graph learning, especially for the task of graph classification, research on graph down-sampling mechanisms is rather limited. To address the above challenges, we propose a concatenation-based graph convolution mechanism that injectively updates node representations to maximize the discriminative power in distinguishing non-isomorphic subgraphs. In addition, we design a novel graph pooling module, called WL-SortPool, to learn important subgraph patterns in a deep-learning manner. WL-SortPool layer-wise sorts node representations (i.e. continuous WL colors) to separately learn the relative importance of subtrees with different depths for the purpose of classification, thus better characterizing the complex graph topology and rich information encoded in the graph. We propose a novel Subgraph Pattern GNN (SPGNN) architecture that incorporates these enhancements. We test the proposed SPGNN architecture on many graph classification benchmarks. Experimental results show that our method can achieve highly competitive results with state-of-the-art graph kernels and other GNN approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google