利用变分卷积推断局部拓扑结构的图表示方法.pdfVIP

工程科学学报，第

45

卷，第

10

期：1750−1758，2023

年

10

月

Chinese

Journal

of

Engineering,

Vol.

45,

No.

10:

1750−1758,

October

2023

/10.13374/j.issn2095-9389.2022.07.24.005;

利用变分卷积推断局部拓扑结构的图表示方法

1,2,3)1,2,3)1,2,3)1,2,3)✉

侯静怡，唐宇鑫，于欣波，刘志杰

1)

北京科技大学智能科学与技术学院，北京

100083

2)

北京科技大学人工智能研究院，北京

100083

3)

北京科技大学智能仿生无人系统

教育部重点实验室，北京

100083

✉通信作者，

E-mail:

liuzhijie2012@

摘

要

深度学习技术的长足发展与数据算力的快速提升，极大地增加了各种结构图神经网络优化和实现的可行性，使得图

结构数据的表示研究工作取得极大进展.

已有的图神经网络方法主要关注图节点之间全局信息的传递，理论上可证明其强

大的信息表示能力.

然而，面向局部拓扑具有特殊语义的图结构数据表示时，这些通用方法缺乏灵活的局部结构表示机制，

例如化学反应中组成分子的局部结构—官能团，其通常能够决定化学分子性质并且参与化学反应过程.

进一步挖掘这些局

部结构的信息对基于图表示的各类任务都是非常重要的，为此提出一个利用变分卷积推断局部拓扑结构的图表示方法，不仅

考虑图节点在全局结构上的关系推理与信息传递，还基于变分推断自适应地学习图数据的局部拓扑结构，利用卷积操作对局

部结构进行编码，从而进一步提高图神经网络的表达能力.

本文工作在多个图结构数据集上进行实验，实验结果表明利用局

部结构信息可以有效提升图神经网络在基于图的相关任务上的性能.

关键词

图注意力网络；局部拓扑结构；变分推断；卷积神经网络；混合结构神经网络

分类号

TP391.4

Inferring

local

topology

via

variational

convolution

for

graph

representation

HOUJingyi1,2,3)，TANGYuxin1,2,3)，YUXinbo1,2,3)，LIUZhijie1,2,3)✉

1)

School

of

Intelligence

Science

and

Technology,

University

of

Science

and

Technology

Beijing,

Beijing

100083,

China

2)

Institute

of

Artificial

Intelligence,

University

of

Science

and

Technology

Beijing,

Beijing

100083,

China

3)

Key

Laboratory

of

Perception

and

Control

of

Intelligent

Bionic

Unmanned

Systems

(Ministry

of

Education),

University

of

Science

and

Technology

Beijing,

Beijing

100083,

China

✉Corresponding

author,

E-mail:

liuzhijie2012@

ABSTRACT

The

development

of

deep

learning

techniques

and

support

of

big

data

computing

power

have

revolutionized

graph

representation

research

by

facilitating

the

implementation

of

the

learning

of

different

graph

neural

network

structures.

Existing

methods,

such

as

graph

attention

networks,

mainly

focus

on

global

information

propagation

in

graph

neural

networks,

which

have

theoretically

proven

their

strong

representation

capability.

However,

these

general

methods

lack

flexible

r