具有顶点 Infomax 池化的图交叉网络
机器学习
2020-10-20 v2 机器学习
摘要
我们提出一种新颖的图交叉网络 (GXN)，以从图的多个尺度实现全面的特征学习。基于图的可训练层次化表示，GXN 支持跨尺度的中间特征交换以促进信息流。GXN 的两个关键组成部分包括新颖的顶点 infomax 池化 (VIPool)（以可训练方式创建多尺度图）和新颖的特征交叉层（实现跨尺度的特征互换）。所提出的 VIPool 基于顶点特征与邻域特征间互信息的神经估计，选择信息量最大的顶点子集。其直觉在于：当顶点能最大程度反映其邻域信息时，该顶点具有信息性。所提出的特征交叉层通过在隐藏层改善信息流并丰富多尺度特征，融合两个尺度间的中间特征以实现相互增强。特征交叉层的十字形结构使 GXN 区别于许多其他多尺度架构。实验结果表明，所提出的 GXN 在图分类和顶点分类上平均分别提高分类准确率 2.12% 和 1.15%。基于同一网络，所提出的 VIPool 一致优于其他图池化方法。
引用
@article{arxiv.2010.01804,
title = {Graph Cross Networks with Vertex Infomax Pooling},
author = {Maosen Li and Siheng Chen and Ya Zhang and Ivor W. Tsang},
journal= {arXiv preprint arXiv:2010.01804},
year = {2020}
}