【WWW 2021】SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism

论文作者：Qingyun Sun, Jianxin Li, Hao Peng, Jia Wu, Yuanxing Ning, Phillip S. Yu, Lifang He

论文地址：https://export.arxiv.org/pdf/2101.08170

论文导读：本文提出了一种新的基于分层子图级选择和嵌入的图神经网络，用于图分类，即SUGAR，以学习更多判别性子图表示并以具有可解释性。SUGAR通过提具有判别性的子图作为原始图的代表部分来重构子图，以揭示子图级模式。为了在没有先验知识的情况下自适应地选择具有判别性的子图，作者提出了一种增强池化机制，从而提高了模型的泛化能力。为了区分图之间的子图表示，提出了一种自我监督的互信息机制，以通过最大化子图的互信息来鼓励子图嵌入注意全局图的结构特性。在六个典型的生物信息学数据集上进行的大量实验证明，模型有显着且持续的提高，并具有竞争性性能和可解释性。

图1  SUGAR模型的总体架构

 

【WWW 2021】Soft-mask: Adaptive Substructure Extractions for Graph Neural Networks

论文作者：Mingqi Yang, Yanming Shen, Heng Qi, Baocai Yin

论文地址：https://dl.acm.org/doi/10.1145/3442381.3449929

论文导读：对于图表示，并非所图的子结构都与给定的任务相关。与任务相关的结构可以是局部或稀疏的。图神经网络应该能够有效地提取与任务相关的结构，并且对不相关的部分保持不变，这对于一般的消息传递GNN来说是一个挑战。本文从原始图的子图序列中学习图的表示，以更好地捕获与任务相关的子结构或层次结构。为此，设计了soft-mask GNN层，以通过mask机制提取所需的子图。将软掩模定义在连续的空间中，以保持可导并表征不同部分的权重。与现有的子图或层次表示学习方法和图池化操作相比，软soft-mask GNN层不受固定样本或丢包率的限制，因此更灵活地提取具有任意大小的子图。在公共图基准上进行的大量实验表明，soft-mask机制带来了性能上的改进。此外，它还提供了可解释性，其中可视化每一层中的soft-mask值使研究者能够了解到模型学习到的结构。

图2  通过堆叠多个SMG来捕捉层次结构

 

本期内容：盛泳潘

内容中包含的图片若涉及版权问题，请及时与我们联系删除