【NeurIPS2020-MIT】子图神经网络，Subgraph Neural Networks

图的深度学习方法在许多节点级和图级预测任务中都取得了显著的效果。然而，尽管这些方法大量涌现并取得了成功，但主流的图神经网络(GNNs)忽略了子图，使得子图预测任务在许多有影响的应用中难以处理。此外，子图预测任务提出了几个独特的挑战，因为子图可以有非平凡的内部拓扑，但也携带了相对于其存在的底层图的位置和外部连接信息的概念。在这里，我们介绍了子GNN，一种学习解纠缠子图表示的子图神经网络。特别是，我们提出了一种新的子图路由机制，它在子图的组件和随机抽样的基础图锚块之间传播神经信息，从而产生高度精确的子图表示。SUB-GNN指定了三个通道，每个通道都设计用于捕获子图结构的不同方面，我们提供了经验证据证明这些通道编码了它们预期的属性。我们设计了一系列新的合成的和真实的子图数据集。对8个数据集进行子图分类的实证结果表明，子GNN实现了可观的性能提升，比最强的baseline方法(包括节点级和图级gnn)的性能高出12.4%。当子图具有复杂的拓扑结构，甚至包含多个断开连接的组件时，子GNN在具有挑战性的生物医学数据集上表现得非常好。

https://www.zhuanzhi.ai/paper/9c11ef35cfb6b6a3ac7f8d547b9b59e6