论文解读：Structural Optimization Makes Graph Classification Simpler and Better

Structural Optimization Makes Graph Classification Simpler and Better

About This Paper

Junran Wu, Jianhao Li, Yicheng Pan, Ke Xu

State Key Lab of Software Development Environment, Beihang University

http://arxiv.org/abs/2109.02027

Preliminary

我们要做的是 图分类任务 (Graph Classification).

主要有两种范式：核方法以及神经网络方法。

针对这两种范式，作者提出了两种新的算法：

核方法：WL-ET kernel, 对标之前的 WL subtree kernel

神经网络方法：ETL, 对标之前的 GNN

ET=Encoding Tree, WL=Weisfeiler-Lehman, ETL=Encoding Tree Learning

Structural Optimization

在进行 WL-ET kernel 的计算以及 ETL 之前，首先得有 ET, 即 Encoding Tree.

在介绍 ET 前，先介绍结构熵。

给定 Graph $G$, 我们可以找到它的一个划分，划分的每个元素都是一棵 Tree，基于 Tree 可以计算一个熵值：结构熵。

关于划分以及结构熵，可以参考 My Blog.

对于图 $G=(V,E,w)$ , 它的一棵 Tree (记作 $\mathcal{T}$) 的结构熵为:

${\mathcal{H}}^{\mathcal{T}}(G)=-{\sum }_{\alpha \in \mathcal{T},\alpha \ne \lambda }\frac{g_{\alpha }}{\mathrm{vol}(V)}\log \frac{\mathrm{vol}(\alpha )}{\mathrm{vol}\left({\alpha }^{-}\right)}$

其中，$\alpha \in \mathcal{T}$ 并且 α ≠ λ \alpha \neq \lambda α<