arXiv cs.AI· Md Joshem Uddin, Soham Changani, Sai Karthik Navuluru, Cuneyt Gurcan Akcora, Baris Coskunuzer·· 1 天前AI 评分31
G2Image：将图转化为拓扑与结构双视图图像的图学习框架
From Nodes to Pixels: Topological and Structural Two-View Graph Imaging
AI 导读
G2Image 提出一种固定预算的图成像框架，把每个图转换为两张互补的图像视图：TopoGrid 通过编码内在双滤过生成紧凑的多持续性曲面网格，提供稳定的拓扑视图；GraphGrid 则聚合内在节点分数所定义分组间的边密度，提供更高带宽的结构视图。
正文 · AI 翻译
摘要：图学习仍然缺乏一个像视觉中的图像块或语言中的词元那样可广泛复用的输入接口。与图像或文本不同，图是不规则的，其大小和密度各不相同，并且在许多等价的节点标号下保持不变，这使得跨任务和架构的输入标准化变得困难。我们提出 G2Image，一个固定预算的图成像框架，它将每个图转换为两个互补的类图像视图。TopoGrid 通过将内在双滤过编码为紧凑的多持续性表面网格，提供稳定的拓扑视图；而 GraphGrid 通过聚合由内在节点分数定义的各组之间的边密度，提供更高带宽的结构视图。两个视图都具有置换不变性，并带有分辨率受控的稳定性保证。由于所得表示是固定大小的张量，它们可以由轻量级 2D 编码器处理，并通过监督式跨视图对比目标进行对齐。在图分类和分子预测基准上，G2Image 在对比方法中取得了较强的平均性能，优于单视图和标准融合变体，并且无需改变整体架构即可扩展到属性丰富的分子图。这些结果表明，固定预算的图图像为图表示学习提供了一个实用且可复用的接口。
| 评论： | 22 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| MSC 分类号： | 68T07, 55N31 |
| ACM 分类号： | I.2.6; G.2.2 |
| 引用为： | arXiv:2611.14750 [cs.LG] |
| （或 arXiv:2611.14750v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.14750 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | NeurIPS 2026 |
提交历史
来自：Baris Coskunuzer [查看电子邮件]
[v1]
2026 年 11 月 10 日星期二 21:20:06 UTC（3,157 KB）
来源：arXiv cs.AI · arxiv.org