摘要

我们提出了一种新的快速框架——Wasserstein Embedding for Graph Learning（WEGL），用于将整个图嵌入向量空间，从而使得各种机器学习模型可以应用于图级别的预测任务。我们利用了新的见解，将图之间的相似度定义为其节点嵌入分布的相似度函数。具体而言，我们使用Wasserstein距离来衡量不同图的节点嵌入之间的差异。与以往的方法不同，我们避免了对图之间进行两两距离计算，从而将计算复杂度从图的数量的二次方降低到线性。WEGL通过从参考分布计算到每个节点嵌入的Monge映射，并基于这些映射生成图的固定大小向量表示。我们在多个基准图属性预测任务上评估了这一新的图嵌入方法，展示了最先进的分类性能，同时具有优越的计算效率。代码可在https://github.com/navid-naderi/WEGL 获取。