神经网络中的子图同构计数问题学习笔记

Neural Subgraph Isomorphism Counting -- KDD2020

• 问题界定

  • 解决途径

  • • 图模型
    • 动态中介注意力存储机制

  • 人工生成数据

作为利用GNN进行子图同构性分析的首篇研究，其核心关注点主要集中在问题界定、人工生成数据以及识别结构一致的网络这三个方面。

问题定义

针对一个特定的小图（pattern）以及一个规模较大的图（graph），需要计算在graph中存在多少个与pattern结构相同的子图。
采用GNN进行处理的优势体现在，其能够在保证误差处于合理范围的前提下，显著提升该问题的求解效率。

解决方案

Graph Model

Graph Model的核心功能在于对pattern与graph进行编码处理，从而生成新的表示形式：Vp, Vg，作为后续模型的输入数据。在该部分的研究中，作者尝试应用了GIN与RGCN两种模型，因其均具备较强的图结构关联信息挖掘能力。将GIN与多层感知机及sum aggregator相结合所构建的模型被命名为RGIN，该模型在本文中表现出最优的Graph Model性能。

Dynamic Intermedium Attention Memory

在完成pattern与graph的R