《表1 数据应用与来源：基于重要性池化的层级图表示学习方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于重要性池化的层级图表示学习方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从基准数据集[10]选择4个常用的图分类数据集。1)D&D：该数据集包含1 178个蛋白质结构，每个蛋白质由一张图表示，其中节点代表氨基酸，若2个节点之间的距离小于6，则建立一条边，预测任务是将蛋白质结构分类为酶、非酶。2)PROTEINS：一组蛋白质分子交互网络数据集，节点代表二级结构元素，若节点处于氨基酸序列或紧密的3D空间，则建立边缘，预测任务是对蛋白质功能进行判断。3)NCI1：非小细胞肺癌活性筛选的化合集的平衡子集，预测任务是将每种酶分为2类。4)MUTAG：由188种化合物组成的数据集，节点表示原子，边缘表示化学键，预测任务是根据化合物对细菌的诱变作用分为2类。数据集主要参数如表1所示。每个数据集10%作为训练集，其余为测试集。