Kapselneuronale Netze für die Graphenklassifizierung unter Verwendung expliziter tensorieller Graphendarstellungen

Die Graphenklassifizierung ist ein bedeutendes Problem in vielen wissenschaftlichen Bereichen. Sie befasst sich mit Aufgaben wie der Klassifizierung von Proteinen und chemischen Verbindungen in Kategorien nach ihren Funktionen oder ihren chemischen und strukturellen Eigenschaften. In einem überwachten Szenario kann dieses Problem als das Lernen von Struktur, Merkmalen und Beziehungen zwischen Merkmalen innerhalb einer Menge von etikettierten Graphen formuliert werden, wobei die korrekte Vorhersage der Etiketten oder Kategorien unbekannter Graphen möglich sein sollte.Ein wesentlicher Schwierigkeitsgrad bei dieser Aufgabe entsteht, wenn man versucht, etablierte Klassifikationsalgorithmen anzuwenden, da diese eine feste Matrix- oder Tensorrepräsentation der Graphen erfordern, deren Anzahl an Knoten und Kanten stark variieren kann. Indem wir auf früherer Arbeit aufbauen, die explizite Tensorrepräsentationen mit einem standardisierten bildbasierten Klassifikator kombiniert hat, schlagen wir ein Modell vor, das Graphenklassifizierung durch Extraktion fester Tensorinformation aus jedem Graphen in einer gegebenen Menge durchführt und dabei ein Capsule Network zur Klassifizierung verwendet.Die hier betrachteten Graphen sind ungerichtet und haben kategoriale Merkmale an den Knoten. Unter Verwendung standardisierter Benchmark-Datensätze für chemische Verbindungen und Proteine zeigen wir, dass unser Graph-Capsule-Network-Klassifikationsmodell, das eine explizite Tensorrepräsentation der Graphen verwendet, trotz nur begrenzter Hyperparameter-Optimierung wettbewerbsfähig ist im Vergleich zu aktuellen topographischen Kernfunktionen (graph kernels) und neuronalen Netzwerken für Graphen (graph neural networks).