子图聚合网络

互信息最大化

用子图表示替代节点表示，减少图结构与模型表示间的信息差距，提升图级表示的表达能力。

Liu, Ziwen · 王晨光 · 韩丛英 · 郭田德

Neurocomputing 2023

技术优势

信息差距缩小

用子图表示替代节点表示，能保留更多图结构信息，使模型输出更接近互信息最大化的理论上界。

三路信息聚合

属性卷积、层卷积和子图卷积分别从节点属性、邻域层级和子图模式三个角度聚合信息，使表示更具表达能力。

子图自回归生成

以可学习的方式自回归生成更具表达力的子图，无需人工定义子图模式，能够更全面地捕捉图结构。

高效负采样

头尾负采样方法提供更多高质量负样本，使对比学习更高效、更具判别力。

应用场景

• 图表示学习：用子图表示替代节点表示，获得更完整的图级嵌入用于下游任务。
• 图神经网络：三种信息聚合器可作为即插即用模块增强现有图神经网络。
• 自监督学习：互信息最大化框架在无标签数据上训练，无需人工标注。
• 图分类：生成的图级表示可直接用于图分类任务，在多个基准上达到最优。
• 对比学习：头尾负采样增加负样本数量，提升对比学习的效率和效果。