审慎选择与周全弃用：利用被丢弃节点的图显式池化
机器学习
2023-11-22 v1
摘要
图池化日益被认为是图神经网络（GNN）促进层次化图表示学习的关键。现有图池化方法通常包括两个阶段：选择排名靠前的节点并丢弃其余节点以构建粗化图表示。然而，本文强调了这些方法的两个关键问题：1）选择待丢弃节点的过程常使用额外的图卷积网络或多层感知机，缺乏对每个节点对最终图表示及后续预测任务影响的充分评估。2）当前图池化方法倾向于直接丢弃图的噪声段（被丢弃部分），而未考虑这些元素中包含的潜在信息。针对第一个问题，我们引入一种新颖的图显式池化（GrePool）方法，其通过显式利用节点与分类关键的最终表示向量之间的关系来选择节点。第二个问题通过使用 GrePool 的扩展版本（即 GrePool+）解决，其对被丢弃节点施加均匀损失。该补充旨在增强训练过程并提高分类精度。此外，我们在 12 个广泛使用的数据集（包括 Open Graph Benchmark 数据集）上进行了全面实验以验证所提方法的有效性。实验结果一致表明，GrePool 在大多数数据集上优于 14 种基线方法。同样，采用 GrePool+ 在不增加额外计算成本的情况下提升了 GrePool 的性能。
引用
@article{arxiv.2311.12644,
title = {Careful Selection and Thoughtful Discarding: Graph Explicit Pooling Utilizing Discarded Nodes},
author = {Chuang Liu and Wenhang Yu and Kuang Gao and Xueqi Ma and Yibing Zhan and Jia Wu and Bo Du and Wenbin Hu},
journal= {arXiv preprint arXiv:2311.12644},
year = {2023}
}
备注
14 pages, 7 figures, 4 tables. Submitting to Science China Information Sciences