【2018/AAAI】An End-to-End Deep Learning Architecture for Graph Classification

文章链接：https://www.cse.wustl.edu/~muhan/papers/AAAI_2018_DGCNN.pdf
源码链接：https://github.com/muhanzhang/pytorch_DGCNN

TL;DR

文章中对于图分类的问题提出了一个新的神经网络模型，能够处理任意结构的图。存在两个问题：1）如何有效的提取图中的特征？2）如何有意义的顺序读取图中节点？对于第一个问题，文中提出了一个局部图卷积模型并比较graph kernel。对于第二种问题，文中设计了一个SortPooling layer将顶点进行排序。在图分类数据集上结果比基于graph kernel 和其它dl方法稍微好一点。两点是可以直接end2end训练。

Algorithm/Model

文章提出的模型如下所示：

主要包含三个阶段：

graph convolution layers extract vertices’ local substructure features and define a consistent vertex ordering;
卷积层定义如下：

$\mathbf{Z}^{t+1}=f\left(\tilde{\mathbf{D}}^{-1} \tilde{\mathbf{A}} \mathbf{Z}^{t} \mathbf{W}^{t}\right)$

形式和谱图卷积相类似，但是文中又通过与Weisfeiler-Lehman (WL) algorithm相类比证明与kipf提出GCN之间的不同点，个人感觉相差不多。

SortPooling layer sorts the vertex features under the previously defined order and unifies input sizes;
traditional convolutional and dense layers read the sorted graph representations and make predictions.