Neuüberlegung von Kernelmethoden für die Knotenrepräsentationslernung auf Graphen

Graph-Kerne sind Kernel-Methoden zur Messung der Ähnlichkeit zwischen Graphen und dienen als Standardwerkzeug für die Graphklassifikation. Die Anwendung von Kernel-Methoden auf die Knotenklassifikation – ein verwandtes Problem im Bereich der Graphenrepräsentationslernung – ist jedoch weiterhin schlecht gestellt, und die derzeitigen State-of-the-Art-Methoden basieren stark auf Heuristiken. In diesem Beitrag präsentieren wir einen neuartigen theoretischen, kernelbasierten Rahmen für die Knotenklassifikation, der die Lücke zwischen diesen beiden Aufgaben der Graphenrepräsentationslernung schließen kann. Unser Ansatz wird durch die Methodologie von Graph-Kernen motiviert, wurde jedoch erweitert, um Knotenrepräsentationen zu lernen, die strukturelle Informationen in einem Graphen erfassen. Theoretisch zeigen wir, dass unsere Formulierung ebenso leistungsfähig ist wie beliebige positiv semidefinite Kerne. Um den Kernel effizient zu lernen, schlagen wir eine neuartige Mechanismus für die Aggregation von Knotenmerkmalen sowie eine datengetriebene Ähnlichkeitsmetrik vor, die während des Trainings eingesetzt wird. Wichtiger noch ist, dass unser Framework flexibel ist und sich komplementär zu anderen graphbasierten Deep-Learning-Modellen, beispielsweise Graph Convolutional Networks (GCNs), einsetzen lässt. Wir evaluieren unseren Ansatz empirisch auf mehreren Standardbenchmarks für die Knotenklassifikation und zeigen, dass unser Modell den neuen State of the Art erreicht.