• neuro-probabilistic model
• graph representation learning
• deep learning
• structured data

Riassunto
Generalizzazione di un approccio neuro-probabilistico per sequenze e alberi, alla classificazione di grafi generici. Viene proposto un modello generativo che assume che i nodi (e il rispettivo vicinato) siano stati generati da Hidden Tree Markov Processes o Contextual Graph Markov Processes. Viene inoltre proposta una generalizzazione dello strato neurale contrastivo che utilizza global pooling per la definizione della rappresentazione aggregata del grafo.

Abstract
Generalization of a neuro-probabilistic approach for sequences and trees, to the classification of generic graphs. We propose generative model which assumes that nodes (and the corresponding neighbourhood) are generated by Hidden Tree Markov Processes or Contextual Graph Markov Processes. Also, we propose a generalization of the contrastive neurons layer which exploits global pooling for the definition of the aggregated representation of the graph.