二值分类在图形数据深度学习中的应用

Question

数据：

我有一些数据，我决定把它表示成一个图表(我认为它适合)。

因此，我有加权图数据，其中包括每个节点的一个数字属性。(网络图)。

每个图表示一个会话。

每个会话标签要么好(1)要么坏(0)。

的使命：

我需要预测给定的无标记图，它是好的(1)还是坏的(0)。

到目前为止我做了什么：

我制作了ML方法来计算那些图上的特性(使用networkx优秀的算法)。例如，我采用了networkx算法来计算间的degree_centrality、closeness_centrality等。

我已经收到了比目前可用的结果更好的结果(它没有使用图表来表示数据)：F1-得分~ 65%，ROC_AUC ~ 90%。

我的直觉：

也许我不应该随机选择networkx函数。如果我能用深度学习做些更聪明的事呢。模型应该了解图形的糟糕程度，一个好的图形看起来像什么，并进行分类。

问题：

我不确定我的直觉是否正确。也许按原样提供图表是不够的，这样模型才能学习。我觉得我需要关于这个方法的建议，特别是以前的类似工作，如果它们存在的话。

相关的前期工作

http://openaccess.thecvf.com/content_cvpr_2017年/文件/蒙蒂_几何学_深度_学习_CVPR_2017年_paper.pdf

http://proceedings.mlr.press/v48/niepert16.pdf

https://arxiv.org/pdf/1803.03324.pdf

https://arxiv.org/pdf/1709.05584.pdf

问题：

1. 是否有人熟悉以前的工作/其他以前的工作的代码实现？
2. 是否有人熟悉使用包含节点属性的加权图进行操作的方法？
3. 你同意/不同意我的直觉吗？
4. 你有没有建议其他方法来处理这个问题？(DL或非DL)

谢谢您:)

Answer 1

将任意图作为当前任何通用ML算法的输入，除非您的问题和图非常具体(例如，少数节点上的所有图，或训练集的大小与该大小的可能图的数目相同，或者存在一些非常简单的依赖关系-例如，输出取决于特定边缘的存在等)，这似乎是一种毫无意义的方法。

您可以编码所有NP-完全问题或例如，由一个图或有向图和少数其他输入停止问题，以及0/1标签。

将神经网络应用于组合问题的极少数几个成功的ML算法之一是AlphaGo/AlphaZero，但它严重依赖于博弈的某些特定性质，能够通过自我游戏和巨大的资源生成无限数量的训练数据。

到目前为止，您所做的(试图基于您的图形和特定问题构建特性)在实践中更有意义，我将进一步探索这条道路。最近也有一些文献试图分配数字的图节点向量，或“节点嵌入”，但这可能对特定类型的图(稀疏网络，每个节点都有一些额外的数据)更有效。