摘要
本文提出了一种名为CensNet（Convolution with Edge-Node Switching Graph Neural Network）的图神经网络模型，用于具有节点和边特征的图结构数据的半监督分类与回归任务。CensNet是一种通用的图嵌入框架，能够将节点和边共同映射至潜在特征空间。通过利用原始无向图的线图（line graph）结构，实现节点与边角色的互换，并据此提出了两种新颖的图卷积操作，以支持特征传播。在真实世界中的学术引用网络与量子化学图数据集上的实验结果表明，所提出方法在性能上达到了或超越了当前最先进的水平。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| graph-regression-on-lipophilicity | Random Forests | RMSE@80%Train: 1.16 |
| graph-regression-on-lipophilicity | CensNet | RMSE@80%Train: 0.93 |
| graph-regression-on-lipophilicity | Logistic Regression | RMSE@80%Train: 1.15 |
| graph-regression-on-tox21 | Logistic Regression | AUC@80%Train: 0.71 |
| graph-regression-on-tox21 | Random Forest | AUC@80%Train: 0.71 |
| graph-regression-on-tox21 | CensNet | AUC@80%Train: 0.78 |