基于节点邻近性的图池化用于层次化表示学习
机器学习
2020-06-22 v1 信号处理
机器学习
摘要
图神经网络近来广受关注,以实现图数据的表示学习。作为图卷积算子的补充,图池化对于提取图数据的层次化表示至关重要。然而,大多数现有图池化方法仍未能有效利用图数据的几何结构。本文提出一种新颖的图池化策略,利用节点邻近性结合多跳拓扑改进图数据的层次化表示学习。节点邻近性通过协调拓扑信息的核表示与节点特征获得。拓扑信息的隐式结构感知核表示允许高效的图池化,而无需对图拉普拉斯矩阵进行显式特征分解。节点信号的相似性通过仿射变换与采用高斯 RBF 函数的核技巧相结合来自适应评估。实验结果表明,所提图池化策略在一系列公开图分类基准数据集上取得了最先进的性能。
引用
@article{arxiv.2006.11118,
title = {Graph Pooling with Node Proximity for Hierarchical Representation Learning},
author = {Xing Gao and Wenrui Dai and Chenglin Li and Hongkai Xiong and Pascal Frossard},
journal= {arXiv preprint arXiv:2006.11118},
year = {2020}
}