利用持久同调增强图池化
机器学习
2024-10-21 v3 代数拓扑
摘要
最近，将持久同调（PH）集成到图神经网络（GNN）中以增强表达能力已成为一种新兴趋势。然而，将PH特征简单插入GNN层通常只会带来微小的改进且可解释性低。本文研究了一种利用PH将全局拓扑不变性注入池化层的新机制，其动机是观察到PH中的过滤操作以截止方式自然地对齐图池化。通过这种方式，粗化图中的消息传递沿着持久池化拓扑进行，从而提高了性能。实验上，我们将该机制应用于一系列图池化方法，并在多个流行数据集上观察到一致且显著的性能提升，证明了其广泛的适用性和灵活性。
引用
@article{arxiv.2402.16346,
title = {Boosting Graph Pooling with Persistent Homology},
author = {Chaolong Ying and Xinjian Zhao and Tianshu Yu},
journal= {arXiv preprint arXiv:2402.16346},
year = {2024}
}
备注
Published at NeurIPS 2024