模型图主干网络在社交网络上的流程示意图。（中国科学院自动化研究所供图）
记者从中国科学院自动化研究所获悉，其神经计算与脑机交互团队针对图级任务开发了一种图学习新框架，目标打破“以结点和边为中心”的传统思维方式、克服传统消息传递范式中长程问题、信息瓶颈等挑战。这项研究成果已发表在人工智能领域学术期刊《IEEE模式分析与机器智能汇刊》上 ，相关代码也已开源。
“多年来，消息传递范式一直作为图神经网络的基础，在广泛的应用中取得了显著的成功。”神经计算与脑机交互团队负责人、中国科学院自动化研究所研究员何晖光说，尽管这种范式在多种任务中展示出了巨大的潜力，但它也给图级任务带来了一些意想不到的挑战，如长程问题、信息瓶颈、过度挤压现象和有限的表达能力。
为此，中国科学院自动化研究所神经计算与脑机交互团队针对图级任务开发了一种图学习新框架，目标打破“以结点和边为中心”的传统思维方式、克服传统消息传递范式中的上述挑战。其核心思想在于，图级任务通常不需要像结点级任务那样为每个结点学习极其准确的表示。
新框架首先使用树分解算法从原始图中提取一棵骨架树，随后将骨架树分解为不同级别的主干，并运用长短期记忆网络沿着主干相应的路径学习各级主干的表示，最后结合各级主干的表示创建原始图的表示。
“理论分析与实验验证进一步证明了所提出的新框架在捕获长程信息和缓解过度挤压问题方面的优越性，从而为图级任务提供了新的见解。”何晖光说。
报道链接：https://h.xinhuaxmt.com/vh512/share/11800141?d=134b427&channel=weixin
