SPGNN: Recognizing Salient Subgraph Patterns via Enhanced Graph Convolution and Pooling

图神经网络（GNN）已经在非欧几里得数据，如图和网络上的机器学习领域引起了革命性的变化。GNN通过邻域聚合有效地实现了节点表示学习，并在许多与图相关的任务中取得了令人印象深刻的结果。然而，大多数邻域聚合方法都是基于求和的，这可能存在问题，因为它们可能不足以表达信息丰富的图结构。此外，虽然图池化模块对于图学习尤其是图分类任务非常重要，但是关于图下采样机制的研究相对较少。为了解决上述挑战，我们提出了一种基于连接的图卷积机制，它通过邻域聚合更新节点表示，以最大化区分非同构子图的判别能力。此外，我们设计了一种新颖的图池化模块，称为WL-SortPool，以深度学习的方式学习重要的子图模式。WL-SortPool逐层对节点表示（即连续的WL颜色）进行排序，以单独学习具有不同深度的子树的相对重要性，从而更好地表征复杂的图拓扑和编码在图中的丰富信息。我们提出了一种新颖的子图模式GNN（SPGNN）架构，将这些增强功能结合起来。我们在许多图分类基准测试上测试了所提出的SPGNN架构。实验结果表明，我们的方法可以与最先进的图核和其他GNN方法取得高度竞争力的结果。

本论文旨在解决图神经网络中邻域聚合方法不足以编码信息丰富的图结构，以及图池化模块在图分类任务中的重要性问题。

论文提出了一种基于拼接的图卷积机制，通过更新节点表示来最大化区分非同构子图的判别能力。此外，作者设计了一种称为WL-SortPool的图池化模块，以深度学习的方式学习重要的子图模式。

论文提出的Subgraph Pattern GNN（SPGNN）在多个图分类基准测试中表现出与最先进的图核函数和其他GNN方法极为相似的结果。作者还在实验中展示了WL-SortPool的有效性，并提供了开源代码。

最近的相关研究包括：《Graph Convolutional Networks》、《Simplifying Graph Convolutional Networks》、《Hierarchical Graph Pooling with Structure Learning》等。