Learning Convolutional Neural Networks for Graphs
introduction
- 本 p a p e r paper paper将图像( i m a g e image image)看作是一种特殊的图( g r a p h graph graph),即一种 g r i d g r a p h grid\ graph grid graph,每一个像素就是 g r a p h graph graph当中的一个 n o d e node node。对于图像来说,卷积神经网络对输入图像的局部关联的区域进行操作,和此类似,本文提出了一种通用的方法,也抽取图中局部关联的区域进行相应的操作。
- 文章的 m o t i v a t i o n motivation motivation主要来自于想将 C N N CNN CNN在图像上的应用 g e n e r a l i z e generalize generalize到一般的 g r a p h graph graph上面(将局部连接区域作为输入)。
主要要解决 2 2 2个问题: - 1.如何确定 w w w个中心节点序列并为之创建邻域?
- 2.如何一个将图表示唯一映射到一个向量表示上,使得领域图之间相似结构的节点处于向量表示中相似的位置?
同构图
Graph kernel
有哪些指标可以描述两个图(graph)的相似度?
nauty
McKay提出的首先将图表示为某种规范形式,然后再判断是否同构的著名的Nauty(no automorphisms)算法,目前最快的图同构问题解决方案Nauty通过选择词典上最大的邻接矩阵来打破相等关系
The Weisfeiler-Lehman algorithm
method
Node Sequence Selection
首先对于输入的一个 G r a p h Graph Graph,需要确定一个宽度 w w w,它表示也就是要选择的 n o d e s nodes nodes的个数。其实也就是感知野的个数(其实这里也就是表明,每次卷积一个 n o d e node node的感知野,卷积的 s t r i d e = k e r n e l s i z e stride= kernel\ size stride=kernel size的)
1: l a b e l i n g labeling labeling算法确定一个 g r a p h graph graph中 n o d e node node次序(主要采取的是中心化 的测量方式,这里的中心应该是度量一个点的关系中的重要性的概念;比如可以用 n o d e d e g r e e node\ degree node degree来确定,或 b e t w e e n e s s c e n t r a l i t y betweeness\ centrality betweeness centrality等)。
- g r a p h l a b e l i n g graph\ labeling graph labeling(对图的节点做标记,比如可以用节点的度做标记,做图的划分,也 可以叫做 c o l o r r e f i n e m e n t o r v e r t e x c l a s s i f i c a t i o n color\ refinement\ or\ vertex\ classification color refinement or vert