图神经网络中的图子池化
机器学习
2020-03-05 v1 机器学习
摘要
图神经网络（GNNs）已有效用于涉及处理由图建模的不规则结构上的信号的不同应用。依靠使用平移不变图滤波器，GNNs 将卷积操作扩展到图。然而，池化和采样操作仍没有明确界定，文献中提出的方法要么以不保留谱性质的方式修改图结构，要么需要定义选择保留哪些节点的策略。在这项工作中，我们提出了一种使用图子（graphons）在 GNNs 上进行池化和采样的新策略，该策略保留图的谱性质。为此，我们将 GNN 中的图层视为收敛到图子的一串图的元素。这样，在将信号从一层映射到另一层时节点标记无歧义，且各层间具有一致的谱表示。我们在一个合成和一个真实世界数值实验中评估了该策略，结果表明图子池化 GNNs 更不易过拟合，并优于其他池化技术，尤其在层间降维比率较大时。
引用
@article{arxiv.2003.01795,
title = {Graphon Pooling in Graph Neural Networks},
author = {Alejandro Parada-Mayorga and Luana Ruiz and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2003.01795},
year = {2020}
}