Ein end-to-end Deep-Learning-Architektur für Graph-Klassifikation

Neuronale Netze werden typischerweise so entworfen, dass sie Daten in Tensorform verarbeiten können. In diesem Artikel stellen wir eine neuartige neuronale Netzarchitektur vor, die Graphen beliebiger Struktur akzeptiert. Gegeben eine Datensammlung, die aus Paaren der Form (G, y) besteht, wobei G ein Graph und y seine Klassenzuordnung ist, zielen wir darauf ab, neuronale Netze zu entwickeln, die Graphen direkt lesen und eine Klassifizierungsfunktion lernen können. Es bestehen zwei zentrale Herausforderungen: Erstens, wie nützliche Merkmale extrahiert werden können, die die reichhaltige Information in einem Graphen für die Klassifizierung charakterisieren, und zweitens, wie ein Graph in einer sinnvollen und konsistenten Reihenfolge sequenziell gelesen werden kann. Um die erste Herausforderung zu bewältigen, entwerfen wir ein lokalisiertes Graph-Faltungsschema und zeigen dessen Beziehung zu zwei Graph-Kernen. Um die zweite Herausforderung anzugehen, entwickeln wir eine neuartige SortPooling-Schicht, die die Knoten eines Graphen konsistent sortiert, sodass traditionelle neuronale Netze auf den resultierenden Strukturen trainiert werden können. Experimente auf etablierten Benchmark-Datensätzen für Graphklassifizierung zeigen, dass die vorgeschlagene Architektur eine hochkonkurrenzfähige Leistung erzielt, die mit den besten Graph-Kernen und anderen Methoden der Graph-Neural Networks vergleichbar ist. Darüber hinaus ermöglicht die Architektur eine end-to-end-Trainierung basierend auf Gradientenverfahren direkt auf den ursprünglichen Graphen, ohne dass die Graphen zunächst in Vektoren transformiert werden müssen.