摘要

图嵌入学习是在处理多样化数据集时的一项基础任务。尽管编码器-解码器架构（如U-Net）在图像像素级预测任务中表现出色，但将其直接应用于图数据时面临挑战，主要源于图结构缺乏天然的池化（pooling）与上采样（upsampling）操作。近年来，已有方法通过引入可学习参数，从神经网络中提取结构信息，并结合节点特征与图结构信息，将池化与反池化操作拓展至图数据。本文提出一种名为GIUNet（图同构U-Net）的新模型，用于图分类任务。所提出的图U-Net结构基于图同构卷积（graph isomorphism convolution），并引入了一个综合性的pqPooling层。该pqPooling层在图下采样阶段有效融合了节点特征与图结构信息。为充分捕捉图结构特性，本文同时采用谱表示（spectral representation）与节点中心性度量（node centrality measurements）。其中，节点中心性度量能够反映节点在图中的多种结构性特征，而谱表示则有助于聚焦图结构中具有信息量的低频成分。通过消融实验，我们验证了GIUNet模型在多个基准数据集上相较于当前最先进方法均取得了显著性能提升。