AKBR: Learning Adaptive Kernel-based Representations for Graph Classification

本文提出了一种新的模型，用于学习适应性基于核的表示（AKBR）以进行图分类。与仅通过计算图之间任何同构子结构对的状态-of-the-art R-卷积图内核不同，不能为分类器提供端到端的学习机制，所提出的AKBR方法旨在定义一个端到端表示学习模型以构建自适应核矩阵用于图形。为此，我们首先利用一种新颖的特征通道注意机制来捕捉原始图形中不同子结构不变量之间的相互依赖关系。因此，所提出的AKBR模型可以有效地识别不同子结构的结构重要性，并计算与由其结构注意力指定的更重要子结构相关的成对图形之间的R-卷积内核。由于结果内核矩阵的每一行理论上可以看作是样本图的嵌入向量，因此所提出的AKBR模型能够直接将结果内核矩阵作为图形特征矩阵，并将其输入分类器进行分类（即SoftMax层），自然地提供了内核计算以及分类器之间的端到端学习架构。实验结果表明，所提出的AKBR模型在标准图形基准测试中优于现有的状态-of-the-art图形内核和深度学习方法。

提出一种学习自适应基于核的表示（AKBR）用于图分类，解决现有R-卷积图核无法提供端到端学习机制的问题。

利用特征通道注意力机制捕捉原始图形中不同子结构不变量之间的相互依赖关系，识别不同子结构的结构重要性，并计算与更重要子结构相关的图对之间的R-卷积核。将每行的核矩阵理论上视为样本图的嵌入向量，直接将其用作图特征矩阵并输入分类器进行分类，提供了端到端学习结构。

实验结果表明，AKBR模型在标准图基准测试中优于现有的最先进的图核和深度学习方法。

最近的相关研究包括：Graph Convolutional Networks (GCN)，Diffusion-Convolutional Neural Networks (DCNN)，Graph Attention Networks (GAT)等。