摘要
卷积神经网络（CNNs）可以应用于图相似匹配，此时它们被称为图卷积神经网络（Graph CNNs）。由于其有效性和高效性，图卷积神经网络正逐渐受到越来越多的关注。然而，现有的卷积方法仅关注规则数据形式，并需要将图或图的关键节点邻域转换为相同的固定形式。在这一转换过程中，图的结构信息可能会丢失，同时也会引入一些冗余信息。为了克服这一问题，我们提出了一种基于混合高斯模型的无序图卷积神经网络（DGCNN），该网络通过添加一个称为无序图卷积层（DGCL）的预处理层来扩展传统的CNN。DGCL利用混合高斯函数实现卷积核与图中邻域节点之间的映射。DGCL的输出作为CNN的输入。我们进一步实现了卷积层的反向传播优化过程，从而将不规则节点邻域结构的特征学习模型纳入网络中。因此，卷积核的优化成为神经网络学习过程的一部分。DGCNN可以接受任意尺度和无序的邻域图结构作为CNN的感受野，这减少了在图转换过程中信息的损失。最后，我们在多个标准图数据集上进行了实验。结果表明，所提出的方法在图分类和检索方面优于现有最先进的方法。