.png){kind=icon}
返回
Multi-graph learning with adaptive graph-bag mapping
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108316.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实世界中的物体通常固有地具有丰富且复杂的结构，难以使用单个图或基于实例的表示进行建模。多图学习（MGL）通过将每个物体表示为一组图的集合来解决这个问题，每组图编码不同的局部结构。虽然这种表述增强了表达能力，但现有方法通常将图转换为二进制向量，限制了它们利用图固有结构信息的能力。同时，它们往往依赖于预定义的图袋映射假设，这使它们局限于固定的图袋关系，并阻碍了在多样化的MGL场景中的泛化能力。此外，不同预测范式之间的差异和影响尚未得到充分探索。为了解决这些挑战，我们提出了一种具有自适应图袋映射的新型多图学习方法（MGLAM）。MGLAM充分利用了图结构信息，自适应地建模图袋映射，无需依赖预定义的假设来约束固定的图袋关系，并全面探索了不同的MGL预测范式。具体而言，我们首先利用图核构建初始图表示，以有效捕捉图结构信息。然后，我们证明了袋内图必须满足排列不变性，并提出了基于注意力机制的多图池化机制，以自适应地学习图袋映射，无需依赖预定义的假设。我们进一步对不同预测范式及其对MGL性能的影响进行了系统分析。在八个基准MGL数据集上的实验结果表明，MGLAM在准确率、精确率、F1分数、AUC和FPR方面分别比当前最佳基线方法平均提升了3.88%、4.21%、2.94%、0.65%和4.53%。
