Motif-driven Subgraph Structure Learning for Graph Classification

为了缓解图结构的次优性，图结构学习（GSL）已成为提高图结构和提升下游任务性能的一种有前途的方法。尽管提出了许多GSL方法，但这个领域的进展大多集中在节点级任务上，而图级任务（例如图分类）仍然很少被探索。值得注意的是，由于缺乏复杂结构学习的细粒度指导，将节点级GSL应用于图分类是不容易的。受子图在图分类中的重要作用的启发，本文通过解决关键子图选择和结构优化的挑战，探索了子图结构学习在图分类中的潜力。我们提出了一种新的基于Motif的子图结构学习方法，用于图分类（MOSGSL）。具体而言，MOSGSL包括一个子图结构学习模块，可以自适应地选择重要的子图。进一步引入了一个基于Motif的结构指导模块，用于捕捉关键子图级别的结构模式（Motif）并促进个性化结构学习。广泛的实验表明，与基线相比，MOSGSL具有显著且一致的改进，以及在各种骨干和学习过程中的灵活性和通用性。

本论文旨在探索子图结构学习用于图分类的潜力，并解决子图选择和结构优化的挑战。

论文提出了一种新的Motif-driven Subgraph Structure Learning方法，该方法包含一个子图结构学习模块和一个基于模式的结构指导模块，能够自适应地选择重要的子图并捕捉关键的子图级结构模式。

论文的实验结果表明，相比于基线方法，该方法在各种骨干和学习过程中都具有显着和一致的改进，并且具有灵活性和通用性。

最近的相关研究包括Graph Structure Learning和Graph Classification，例如Graph Convolutional Networks (GCN)和Graph Attention Networks (GAT)等。