结构节点嵌入与同态计数
摘要：图同态计数是由Lovász于1967年首次探索的，最近在基于图的机器学习中引起了广泛关注。Grohe（PODS 2020）提出了在图层面和节点层面任务中使用同态计数的机器学习的理论基础。由于它们的本质，这些方法捕捉了局部结构信息，从而实现了稳健的结构嵌入。虽然Nguyen和Maehara（ICML 2020）已经提出了一种图层面任务的方法，我们通过实验证明了基于同态计数的节点嵌入的有效性。这些嵌入使用节点标签、节点权重和边权重进行了扩充，提供了对图数据的可解释性表示，使机器学习模型的解释性得到了增强。 我们提出了一个理论框架，用于基于同态计数的同构不变嵌入，适用于各种下游任务。我们的方法充分利用了有界树宽图类的图同态计数的高效计算能力，从而为实际应用提供了实用解决方案。我们通过在基准数据集上的实验展示了它们的表现能力。尽管我们的结果不及最先进的神经网络结构的准确性，但它们与其他先进的图学习模型相当。值得注意的是，我们的方法通过确保每个特征的可解释性来区分自己。通过集成可解释的机器学习算法，如支持向量机（SVM）或随机森林，我们建立了一个无缝、端到端的可解释性流水线。我们的研究为提供性能和可解释性的基于图的技术的发展做出了贡献。
作者：Hinrikus Wolf, Luca Oeljeklaus, Pascal K"uhner, Martin Grohe
论文ID：2308.15283
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-30