摘要

图学习目前主要由图核方法主导，尽管这些方法功能强大，但存在一些显著的局限性。卷积神经网络（CNNs）提供了一种非常有吸引力的替代方案，但在图上应用CNNs并非易事。为了解决这一挑战，近年来提出了许多复杂的CNN扩展方法。在本文中，我们反其道而行之：不是提出另一种图CNN模型，而是引入了一种新颖的方法，将图表示为多通道图像结构，从而使传统的2D CNN能够处理这些图。实验结果表明，在6个真实世界数据集中的4个（无论是否包含连续节点属性），我们的方法比最先进的图核方法和图CNN模型更为准确，在其他数据集上的表现也相差无几。此外，从时间复杂度的角度来看，我们的方法也优于图核方法。代码和数据已公开可用。