IsoNN: Isomorphe Neuronale Netzwerke für die Darstellung und Klassifizierung von Graphen

Tiefe Lernmodelle haben in zahlreichen Bereichen wie der Computer Vision und der natürlichen Sprachverarbeitung großen Erfolg erzielt. Allerdings ist es aufgrund der Eigenschaft "Knoten-Ordnungslosigkeit" (node-orderless) schwierig, traditionelle tiefe Lernmodelle auf Graphendaten anzuwenden. Üblicherweise verleihen Adjazenzmatrizen den Graphen eine künstliche und zufällige Knotenordnung, was die Leistung von tiefen Modellen bei Aufgaben der Graphklassifizierung extrem unbeständig macht und die durch diese Modelle gelernten Darstellungen eine klare Interpretierbarkeit vermissen lassen. Um die unnötige Knotenordnungsbeschränkung zu beseitigen, schlagen wir ein neues Modell vor, das als Isomorphe Neuronale Netzwerke (Isomorphic Neural Network, IsoNN) bezeichnet wird. Dieses Modell lernt die Graphendarstellung, indem es durch die Graphabgleichung zwischen Eingangsgraph und Vorlagen dessen isomorphe Merkmale extrahiert. Das IsoNN besteht aus zwei Hauptkomponenten: einer Komponente zur Extraktion isomorpher Merkmale und einer Klassifikationskomponente. Die Komponente zur Extraktion isomorpher Merkmale nutzt eine Reihe von Untergraphenvorlagen als Kernvariablen, um mögliche Untergraphmuster im Eingangsgraph zu lernen und dann die isomorphen Merkmale zu berechnen. Eine Reihe von Permutationsmatrizen wird in dieser Komponente verwendet, um die durch die Matrixdarstellung eingeführte Knotenordnung aufzuheben. Drei vollständig vernetzte Schichten dienen als Klassifikationskomponente im IsoNN. Ausführliche Experimente wurden an Standard-Datensätzen durchgeführt; die experimentellen Ergebnisse zeigen die Effektivität des IsoNNs, insbesondere im Vergleich zu sowohl klassischen als auch den neuesten Methoden der Graphklassifizierung.