AKBR: Learning Adaptive Kernel-based Representations for Graph Classification

要約

この論文では、グラフ分類のための適応カーネルベース表現 (AKBR) を学習するための新しいモデルを提案します。
グラフ間の同型部分構造のペアを単に数えることによって定義され、分類器にエンドツーエンドの学習メカニズムを提供できない最先端の R 畳み込みグラフ カーネルとは異なり、提案された AKBR アプローチは、目的を定義することを目的としています。
グラフの適応カーネル行列を構築するためのエンドツーエンド表現学習モデル。
この目的を達成するために、新しい特徴チャネル アテンション メカニズムを活用して、元のグラフの異なる部分構造の不変条件間の相互依存性を捕捉することから始めます。
したがって、提案された AKBR モデルは、さまざまな部分構造の構造的重要性を効果的に特定し、構造的注目によって指定されたより重要な部分構造に関連付けられたペアワイズ グラフ間の R コンボリューション カーネルを計算できます。
結果として得られるカーネル行列の各行は、理論的にはサンプル グラフの埋め込みベクトルと見なすことができるため、提案された AKBR モデルは、結果として得られるカーネル行列をグラフ特徴行列として直接使用し、それを分類用の分類器に入力することができます (つまり、
SoftMax 層)、カーネル計算と分類器の間でエンドツーエンドの学習アーキテクチャを自然に提供します。
実験結果は、提案された AKBR モデルが、標準的なグラフ ベンチマークにおいて、既存の最先端のグラフ カーネルお​​よびディープ ラーニング手法よりも優れていることを示しています。

要約(オリジナル)

In this paper, we propose a new model to learn Adaptive Kernel-based Representations (AKBR) for graph classification. Unlike state-of-the-art R-convolution graph kernels that are defined by merely counting any pair of isomorphic substructures between graphs and cannot provide an end-to-end learning mechanism for the classifier, the proposed AKBR approach aims to define an end-to-end representation learning model to construct an adaptive kernel matrix for graphs. To this end, we commence by leveraging a novel feature-channel attention mechanism to capture the interdependencies between different substructure invariants of original graphs. The proposed AKBR model can thus effectively identify the structural importance of different substructures, and compute the R-convolution kernel between pairwise graphs associated with the more significant substructures specified by their structural attentions. Since each row of the resulting kernel matrix can be theoretically seen as the embedding vector of a sample graph, the proposed AKBR model is able to directly employ the resulting kernel matrix as the graph feature matrix and input it into the classifier for classification (i.e., the SoftMax layer), naturally providing an end-to-end learning architecture between the kernel computation as well as the classifier. Experimental results show that the proposed AKBR model outperforms existing state-of-the-art graph kernels and deep learning methods on standard graph benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google