用于图分类的团池化
机器学习
2019-04-10 v2 机器学习
摘要
我们提出一种新颖的图池化操作，以团作为基本池化单元。由于该方法纯属拓扑性而非特征性，因此它更具可解释性，比滤波或剪枝技术更能类比图像粗化，并且完全非参数化。该操作在图卷积网络（GCN）和 GraphSAGE 架构中实现，并在标准图分类基准上进行了测试。此外，我们探讨了该池化对正则图的向后兼容性，在以我们的机制替换标准卷积神经网络（CNN）中的 2×2 池化时展示了具有竞争力的性能。
引用
@article{arxiv.1904.00374,
title = {Clique pooling for graph classification},
author = {Enxhell Luzhnica and Ben Day and Pietro Lio'},
journal= {arXiv preprint arXiv:1904.00374},
year = {2019}
}
备注
Under review as a workshop paper at RLGM 2019 @ ICML