Unüberwachtes induktives Lernen von Graph-Darstellungen durch Graph-Graph-Nähe

Wir stellen einen neuen Ansatz für das Lernen von Graphrepräsentationen auf Graphenebene vor, der es ermöglicht, einen gesamten Graphen in einen Vektorraum einzubetten, wobei die Einbettungen zweier Graphen ihre gegenseitige Proximität bewahren. Unser Ansatz, UGRAPHEMB, ist ein allgemeines Framework, das eine innovative Methode zum durchführen von Grapheneinbettungen in einem vollständig unüberwachten und induktiven Modus bereitstellt. Das gelernte neuronale Netzwerk kann als Funktion betrachtet werden, die jeden beliebigen Graphen als Eingabe akzeptiert – sei er nun im Trainingsdatensatz vorhanden oder nicht – und ihn in eine Einbettung transformiert. Es wird ein neuer Mechanismus zur Generierung von Grapheneinbettungen auf Graphenebene vorgeschlagen, der als Multi-Skalen-Knoten-Attention (MSNA) bezeichnet wird. Experimente mit fünf realen Graphendatensätzen zeigen, dass UGRAPHEMB wettbewerbsfähige Genauigkeit bei den Aufgaben der Graphklassifikation, Ähnlichkeitsrangfolge und Graphvisualisierung erreicht.