基于特征池化的图卷积网络

图神经网络将深度神经网络模型推广到图结构数据，近年来引起了越来越多的关注。它们通常通过变换、传播和聚合节点特征来学习节点表示，并已被证明能够提升节点分类和链接预测等许多图相关任务的性能。为了将图神经网络应用于图分类任务，需要从节点表示生成图表示的方法。一种常见的方式是全局地组合节点表示，但这忽略了丰富的结构信息。因此，需要一种层次化池化过程，在图表示学习中保留图结构。已有一些近期工作致力于类比传统卷积神经网络（CNN）中池化步骤的层次化图表示学习，但在池化过程中局部结构信息仍被大量忽视。本文中，我们引入一种基于图傅里叶变换的池化算子 $\pooling$，该算子能在池化过程中利用节点特征和局部结构。我们随后基于该池化算子设计池化层，并将其与传统GCN卷积层结合，形成用于图分类的图神经网络框架 $\m$。我们从局部和全局两个视角提供了理论分析以理解 $\pooling$。在 $6$ 个常用基准上的图分类实验结果表明了所提框架的有效性。