[论文解读] Subgraph Neural Networks

Emily Alsentzer, Samuel G. Finlayson+2 more|arXiv (Cornell University)|Jun 18, 2020

Advanced Graph Neural Networks参考文献 84被引用 44

一句话总结

SubGNN 通过一个新颖的子图级消息传递框架，具有三个属性感知通道（位置、邻域、结构）和锚点-补丁路由，学习解耦的子图表示，在合成和真实数据集的子图分类上实现强劲性能。

ABSTRACT

Deep learning methods for graphs achieve remarkable performance on many node-level and graph-level prediction tasks. However, despite the proliferation of the methods and their success, prevailing Graph Neural Networks (GNNs) neglect subgraphs, rendering subgraph prediction tasks challenging to tackle in many impactful applications. Further, subgraph prediction tasks present several unique challenges: subgraphs can have non-trivial internal topology, but also carry a notion of position and external connectivity information relative to the underlying graph in which they exist. Here, we introduce SubGNN, a subgraph neural network to learn disentangled subgraph representations. We propose a novel subgraph routing mechanism that propagates neural messages between the subgraph's components and randomly sampled anchor patches from the underlying graph, yielding highly accurate subgraph representations. SubGNN specifies three channels, each designed to capture a distinct aspect of subgraph topology, and we provide empirical evidence that the channels encode their intended properties. We design a series of new synthetic and real-world subgraph datasets. Empirical results for subgraph classification on eight datasets show that SubGNN achieves considerable performance gains, outperforming strong baseline methods, including node-level and graph-level GNNs, by 19.8% over the strongest baseline. SubGNN performs exceptionally well on challenging biomedical datasets where subgraphs have complex topology and even comprise multiple disconnected components.

研究动机与目标

• 将子图预测作为与节点级或图级预测不同的任务的动机。
• 提出一个聚焦子图的消息传递架构，捕捉位置、邻域和结构。
• 引入锚点-补丁路由，从底层图中聚合信息。
• 在合成和真实世界的子图分类数据集上展示经验提升。

提出的方法

• 定义具有潜在多个组成部分和标签的子图 S。
• 引入 E_S：在子图组件上运行的子图级消息传递方案。
• 引入三通道（位置、邻域、结构），配备专用的锚点-补丁采样、编码和相似性路由。
• 计算每个通道的属性感知输出 z_x,c，并将它们聚合为最终的子图嵌入 z_S。
• 提供具有固定锚点补丁和可选的相似性预计算的计算高效架构。
• 展示扩展潜力到无监督、半监督或涉及子图的其他预测任务。

实验结果

研究问题

• RQ1 如何表示子图以捕捉其内部拓扑、边界结构以及在宿主图中的相对位置？
• RQ2 是否一个以子图为焦点、具有通道特定路由的 GNN 在子图分类任务上可以超越节点级或图级基线？
• RQ3 锚点补丁和属性感知路由是否能够有效解耦子图属性（位置、邻域、结构）以实现更准确的预测？
• RQ4 SubGNN 的变体在为子图拓扑设计的合成基准与在现实世界生物医学和社交数据集上的表现有何不同？

主要发现

方法	密度	切割比	核心性	组件
SubGNN (Ours)	0.919 \\pm 0.016	0.629 \\pm 0.039	0.659 \\pm 0.092	0.958 \\pm 0.098

• SubGNN 在合成数据集上比基线高出 77.4%，在真实世界数据集上平均高出 125.2%。
• SubGNN 在整体子图分类任务上较最强基线提升 19.8%。
• 通道消融显示，每个通道的性能与其预期的归纳偏置相符（例如，结构通道在边界结构任务上表现突出，位置通道在内部组成关系上表现突出）。
• SubGNN 在具有复杂拓扑或多组件的挑战性生物医学数据集上取得了强劲结果。