3 个月前

一种用于图分类的持久化Weisfeiler–Lehman过程

一种用于图分类的持久化Weisfeiler–Lehman过程

摘要

Weisfeiler–Lehman图核在众多图分类任务中表现出具有竞争力的性能。然而,其子树特征无法捕捉连通分量和环结构,而这些正是刻画图拓扑特性的重要特征。为提取此类拓扑信息,我们利用传播后的节点标签信息,将无权图转化为度量图(metric graph)。这一转换使得我们能够借助拓扑数据分析中的持久同调(persistent homology)方法,获取拓扑特征,并将其与原有的子树特征相结合。我们提出的方法可形式化为Weisfeiler–Lehman子树特征的一种推广。实验结果表明,该方法在分类准确率方面表现优异,其预测性能的提升主要得益于对环结构信息的有效引入。

基准测试

基准方法指标
graph-classification-on-mutagP-WL-C
Mean Accuracy: 90.51
graph-classification-on-proteinsP-WL-UC
Accuracy: 75.36%
graph-property-prediction-on-ogbg-molhivP-WL
Ext. data: No
Number of params: 4600000
Test ROC-AUC: 0.8039 ± 0.0040
Validation ROC-AUC: 0.8279 ± 0.0059

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
一种用于图分类的持久化Weisfeiler–Lehman过程 | 论文 | HyperAI超神经