图卷积神经网络中基于非负矩阵分解的节点池化方法
机器学习
2019-09-10 v1 人工智能
神经与进化计算
机器学习
摘要
本文讨论一种在图结构数据中引发下采样的池化机制，并将其作为图卷积神经网络的组件引入。该池化机制建立在非负矩阵分解（NMF）之上，所分解的矩阵表示节点邻接与节点相似度，后者由模型学习到的顶点嵌入自适应获得。该机制被应用于获得逐步粗化的图，其中节点根据非负分解的结果自适应地池化为社区。在图分类基准上的实证分析表明，此种粗化过程相对于非池化的对应模型在预测性能上取得了显著提升。
引用
@article{arxiv.1909.03287,
title = {A Non-Negative Factorization approach to node pooling in Graph Convolutional Neural Networks},
author = {Davide Bacciu and Luigi Di Sotto},
journal= {arXiv preprint arXiv:1909.03287},
year = {2019}
}