用于图池化的分布知识嵌入

图级表示学习是处理整个图的下游任务的关键步骤。迄今为止，解决该问题最常见的方法是图池化，其中通常对节点特征取平均或求和以获得图表示。然而，取平均或求和等池化操作不可避免地会导致大量信息丢失，这可能严重降低最终性能。在本文中，我们认为对图级下游任务至关重要的不仅包括拓扑结构，还包括采样节点的分布。因此，在现有图神经网络（GNN）的驱动下，我们提出了一种新的即插即用池化模块，称为分布知识嵌入（DKEPool），其中在 GNN 之上将图重新表述为分布，且池化目标是总结整个分布信息，而不是通过简单的预定义池化操作保留某个特定的特征向量。DKEPool 网络实际上将表示学习分解为两个阶段：结构学习和分布学习。结构学习遵循递归邻域聚合方案来更新节点特征，从而获取结构信息。另一方面，分布学习忽略节点互连，更关注由所有节点描绘的分布。大量实验表明，所提出的 DKEPool 显著且一致地优于现有最先进方法。