通过粗化图互信息最大化的图池化
机器学习
2021-06-01 v2 人工智能
摘要
将大图中的信息汇总为紧凑形式的图池化在层次化图表示学习中至关重要。现有图池化方法要么计算复杂度高，要么无法捕获池化前后图之间的全局依赖关系。为解决现有图池化方法的问题，我们提出粗化图互信息最大化池化（CGIPool），其通过最大化每一池化层输入与粗化图之间的互信息来保留图级依赖。为实现互信息的神经最大化，我们应用对比学习并提出一种基于自注意力的算法来学习正样本与负样本。在七个数据集上的大量实验结果说明了 CGIPool 相较最先进方法的优越性。
引用
@article{arxiv.2105.01275,
title = {Graph Pooling via Coarsened Graph Infomax},
author = {Yunsheng Pang and Yunxiang Zhao and Dongsheng Li},
journal= {arXiv preprint arXiv:2105.01275},
year = {2021}
}