直播 | WWW 2021论文解读：强化学习与互信息驱动的子图神经网络-CSDN博客

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到北京航空航天大学博士生孙庆赟，为大家在线解读其发表于 WWW 2021 的最新工作：SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism。对本期主题感兴趣的小伙伴，5 月 25 日（周二）晚 7 点，我们准时相约 PaperWeekly B 站直播间。

直播信息

目前，大部分图表征方法或采用全局池化方法生成一个全局表征向量，忽略了子结构的语义，或依赖专家知识抽取局部子结构，这导致图表征方法普遍具有可解释性差、泛化性差等缺点。

在本工作中，我们首次引入基于子图选择与表征的子图神经网络 SUGAR，通过自适应地提取显著子图作为原始图的代表性部分，在有效进行图分类的同时可挖掘子图层级的模式。为在无先验知识的情况下捕捉子结构语义，我们首次引入强化学习以自适应地选择显著子图，提高了模型的泛化能力；为获得更具判别性的子图表征，我们引入互信息增强机制，通过最大化局部与全局的互信息，使得子图表征包含全图特征。在六个公开数据集上的实验表明，我们的方法在取得最好结果的同时具有较强的可解释性。

论文标题：

SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism

论文链接：

https://arxiv.org/abs/2101.08170

代码链接：

https://github.com/RingBDStack/SUGAR

本次分享的具体内容有：