Wasserstein Weisfeiler-Lehman 그래프 커널

대부분의 그래프 커널은 객체의 유사성을 부분 구조를 비교하여 측정하는 $\mathcal{R}$-컨볼루션 커널 클래스의 한 예입니다. 이들의 경험적 성공에도 불구하고, 대부분의 그래프 커널은 최종 부분 구조 집합을 단순히 합하거나 평균화하여 통합하기 때문에 개별 구성 요소 분포에 대한 귀중한 정보를 잠재적으로 버릴 수 있습니다. 또한 이러한 접근 방식 중 연속적으로 속성화된 그래프로 확장할 수 있는 경우는 제한적입니다. 우리는 두 그래프의 노드 특징 벡터 분포 사이의 와세르슈타인 거리를 기반으로 하는 새로운 방법을 제안합니다. 이 방법은 그래프를 단순한 평균이 아닌 고차원 객체로 간주함으로써 데이터 세트에서 더 미묘한 차이점을 찾아낼 수 있습니다. 또한 우리는 연속적인 노드 속성과 가중된 엣지를 가진 그래프를 위한 Weisfeiler-Lehman에서 영감을 받은 임베딩 방안을 제안하며, 계산된 와세르슈타인 거리로 이를 강화하여 여러 그래프 분류 작업에서 최신 예측 성능을 향상시킵니다.