Core Concepts
グラフ構造を全体として扱い、高次の構造情報を学習することで、グラフ分類タスクの性能を向上させる。
Abstract
本研究は、グラフ構造を全体として扱うことの可能性を探り、その上で新しいモデルMSLgoを提案している。具体的には以下の通り:
グラフ構造をノードのように扱うことができるかを予備実験で検証し、ループとクリークに着目することを示した。
ループとクリークの圧縮を行う階層的ヒューリスティックアルゴリズムを提案し、グラフ粗視化ビューを構築した。これにより高次の構造情報を学習できる。
辺中心のライングラフ変換ビューを導入し、相対位置情報を補完した。
3つのビュー(元のグラフ、粗視化、変換)をそれぞれGTで学習し、最終的に連結して表現を得る。
6つのデータセットで14のベースラインと比較し、MSLgoが優れた性能を示した。
Stats
グラフAとグラフBの間のユークリッド距離は0.6で、コサイン類似度は0.8である。
グラフAとグラフCの間のユークリッド距離は0.7で、コサイン類似度は0.7である。
グラフAとグラフDの間のユークリッド距離は0.8で、コサイン類似度は0.6である。
Quotes
"グラフ構造を全体として扱い、高次の構造情報を学習することで、グラフ分類タスクの性能を向上させる。"
"ループとクリークの圧縮を行う階層的ヒューリスティックアルゴリズムを提案し、グラフ粗視化ビューを構築した。これにより高次の構造情報を学習できる。"
"辺中心のライングラフ変換ビューを導入し、相対位置情報を補完した。"