近日，我院徐立祥教授团队最新成果《Kernel Entropy Graph Isomorphism Network for Graph Classification》在中科院一区Top期刊Pattern Recognition上正式发表，徐立祥教授为第一作者，合肥理工学院为第一完成单位。该期刊为模式识别领域历史最悠久、影响力最大的顶级期刊之一，影响因子为9.1。
图分类是图神经网络（GNN）核心研究任务之一，广泛应用于分子活性预测、生物蛋白分析、社交网络挖掘、异常检测等真实场景。现有主流消息传递类图神经网络普遍存在对高阶子图信息建模能力不足的问题。针对这一挑战，研究团队提出核熵图同构网络KEGIN模型，依托熵增强En-GIN模块借助节点中心性采样多跳子图并引入Rényi熵补充局部结构信息，同时设计改进型最短路径匹配核建模全局拓扑关联，再通过Nyström低秩分解压缩核矩阵降低运算开销，最终利用注意力机制自适应融合局部特征与全局结构编码，适配生化分子、社交网络两类不同图数据。实验结果表明，该方法在保持优异图分类性能的同时，显著降低核计算的开销，为高阶图结构表征学习提供全新研究思路。此外，本课题获得国家自然科学基金科研项目资助。
图1：KEGIN由三个主要模块组成（即En-GIN编码模块、图内核模块和注意力模块）。对于一个图，首先使用En-GIN编码模块将该图编码为特征，同时利用图核模块计算其与其他图的相似度，作为该图的结构编码。随后，采用Nyström方法对图的结构编码进行降秩分解，并将图的结构编码维度与通过MLP生成的特征编码进行对齐。最后，将这两部分的编码输入到注意力模块中，以生成整个图的嵌入表示。
论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320326001470?via%3Dihub
