摘要
深度学习模型在计算机视觉和自然语言处理等多个领域取得了巨大成功。然而，由于图数据具有“节点无序”（node-orderless）特性，传统深度学习模型难以直接应用于图数据。通常情况下，邻接矩阵会为图施加一种人为且随机的节点顺序，这使得深度模型在图分类任务中的性能极为不稳定，且这些模型所学习到的表示缺乏明确的可解释性。为了消除不必要的节点顺序约束，我们提出了一种名为同构神经网络（Isomorphic Neural Network, IsoNN）的新模型，该模型通过输入图与模板之间的图匹配来提取其同构特征，从而学习图表示。IsoNN 主要包含两个组成部分：图同构特征提取组件和分类组件。图同构特征提取组件利用一组子图模板作为核变量，学习输入图中可能存在的子图模式，并计算同构特征。该组件中使用了一组置换矩阵来打破由矩阵表示带来的节点顺序。在 IsoNN 中，分类组件由三个全连接层组成。我们在基准数据集上进行了广泛的实验，实验结果证明了 IsoNN 的有效性，尤其是在与经典和最先进的图分类方法相比时更为显著。