摘要
图是复杂的对象，难以直接应用于典型的机器学习任务。近年来，基于图核或图神经网络的一系列方法已被开发用于图分类以及一般性的图表示学习。随着这些方法变得越来越复杂，了解其日益复杂的组成部分中哪些是必要或最有效的变得尤为重要。作为第一步，我们开发了一种简单而有意义的图表示方法，并探索了其在图分类中的有效性。我们在一系列图数据集上测试了这种基础表示方法的图分类任务。有趣的是，这种简单的表示方法在非属性图分类上的性能与最先进的图核和图神经网络相当。然而，在属性图分类方面，其性能略显不足，因为它没有纳入属性信息。尽管如此，鉴于其简洁性和高效性，我们认为它仍然可以作为属性图分类的有效基线。我们的图表示方法计算效率高（线性时间）。我们还提供了与图神经网络之间的简单联系。需要注意的是，这些观察结果仅适用于图分类任务，而现有方法通常旨在涵盖更广泛的任务范围，包括节点嵌入和链接预测。由于可用的基准数据集数量有限，结果也可能存在偏差。然而，我们提出的简单基线的良好性能表明需要开发新的、更为全面的基准数据集，以便更好地评估和分析不同的图学习方法。此外，考虑到我们所提出的图摘要的计算效率，我们认为它是一个未来图分类（甚至其他图学习）研究中的良好基线方法候选者。