摘要

学习强大的数据嵌入（data embeddings）已成为机器学习领域的核心任务，尤其在自然语言处理与计算机视觉领域表现突出。这些嵌入技术的关键在于：它们通过无监督方式在大规模语料库上进行预训练，有时结合迁移学习加以增强。然而，当前图学习领域中的图神经网络（GNN）所学习到的嵌入表示具有任务依赖性，因而难以在不同数据集之间共享。本文提出一种全新的、具备理论保障的图神经网络模型，旨在学习与任务无关的图嵌入，该模型称为深度通用图嵌入（Deep Universal Graph Embedding, DUGNN）。DUGNN模型创新性地结合了一种新型图神经网络（作为通用图编码器），并利用丰富的图核（Graph Kernels）作为多任务图解码器，实现无监督学习以及针对特定任务的自适应监督学习。通过在多种数据集上学习与任务无关的图嵌入，DUGNN亦能充分受益于迁移学习的优势。通过大量实验与消融研究，我们证明所提出的DUGNN模型在图分类基准数据集上的表现显著优于现有最先进的GNN模型及图核方法，准确率提升达3%至8%。