基于神经网络的图分类研究综述.docVIP

基于神经网络的图分类研究综述

一、图分类任务的定义与核心挑战

图是由节点和边构成的非欧几里得数据结构，天然适合描述社交网络、分子结构、知识图谱、交通路网等复杂系统的关联关系。图分类作为图学习领域的核心任务之一，目标是学习从图结构到预定义标签的映射函数，实现对整个图样本的类别判定，典型应用场景包括化合物毒性预测、社交网络异常群体识别、脑疾病辅助诊断、恶意代码家族分类等。与图像、文本等欧几里得数据的分类任务相比，图分类面临三个核心挑战：

结构异质性：不同图样本的节点数量、边分布、子结构模式存在显著差异，无法直接适配固定维度的神经网络输入要求。例如，有机分子的原子数从几个到上百个不等，社交网络的用户规模差异可达数个数量级，传统的卷积、池化操作难以直接应用于变长的图结构。

拓扑信息依赖性：图的语义信息高度依赖节点间的关联关系，局部子结构的排列组合会产生完全不同的全局属性。以分子图为例，相同原子构成的同分异构体可能具有截然不同的化学性质，仅提取节点特征而忽略拓扑关联会导致分类性能大幅下降。

标签稀缺性：图样本的标注通常需要领域专家参与，例如药物分子的活性标注需要大量生物实验验证，脑功能网络的疾病标签需要临床随访确认，导致标注数据集规模普遍小于图像、文本领域，容易出现模型过拟合问题。

二、早期图分类方法的技术路径与局限

在神经网络方法广泛应用之前，图分类研究主要围绕图核方法和人工特征工程两大路