摘要
图数据在许多高影响力的应用中广泛存在。受深度学习在网格结构数据中取得成功的启发，研究人员提出了图神经网络模型，以学习强大的节点级或图级表示。然而，现有的大多数图神经网络都存在以下局限性：(1) 对图卷积性质（如种子导向、度感知和顺序无关）的分析有限；(2) 节点的特定度数图结构未在图卷积中显式表达，无法区分结构感知的节点邻域；(3) 图级池化方案的理论解释尚不清楚。为了解决这些问题，我们提出了一种通用的度数特定图神经网络——DEMO-Net，该网络受到Weisfeiler-Lehman图同构测试的启发，递归地识别1跳邻域结构。为了明确捕捉结合节点属性的图拓扑结构，我们认为图卷积应具备三个特性：种子导向、度感知和顺序无关。为此，我们提出了多任务图卷积，其中每个任务代表具有特定度数值的节点表示学习，从而保留了度数特定的图结构。具体而言，我们设计了两种多任务学习方法：度数特定权重和哈希函数用于图卷积。此外，我们还提出了一种新的图级池化/读出方案，用于学习可证明位于度数特定希尔伯特核空间中的图表示。实验结果表明，在多个节点分类和图分类基准数据集上，我们提出的DEMO-Net比最先进的图神经网络模型更有效且高效。