边缘亦非次要:跨视图图池化
机器学习
2021-09-27 v1 人工智能
摘要
图神经网络已成为用于图表示学习以承担图级预测任务的强大模型。各类图池化方法被提出,通过聚合经由图卷积获得的节点嵌入,将输入图粗化为简洁的图级表示。然而,大多数图池化方法严重以节点为中心,无法充分利用全局图结构中的关键信息。本文提出一种跨视图图池化(Co-Pooling)方法,以更好地利用关键图结构信息。所提出的Co-Pooling融合了从节点视图与边视图学习到的池化表示。通过跨视图交互,边视图池化与节点视图池化无缝相互增强,以学习更具信息量的图级表示。Co-Pooling具有处理具有不同类型节点属性的各类图的优势。在总计15个图基准数据集上的大量实验验证了我们所提方法的有效性,表明其在图分类与图回归任务上均优于最先进的池化方法。
引用
@article{arxiv.2109.11796,
title = {Edge but not Least: Cross-View Graph Pooling},
author = {Xiaowei Zhou and Jie Yin and Ivor W. Tsang},
journal= {arXiv preprint arXiv:2109.11796},
year = {2021}
}
备注
9 pages