Haar 图池化

深度图神经网络（GNN）是图分类与基于图的回归任务的有用模型。在这些任务中，图池化是使 GNN 适应不同大小与结构输入图的关键要素。我们提出一种基于压缩 Haar 变换的新图池化操作——HaarPooling。HaarPooling 实现级联的池化操作；它通过对输入图的一系列聚类计算得到。HaarPooling 层将给定输入图变换为节点数更少、特征维数相同的输出图；压缩 Haar 变换在 Haar 小波域中滤除精细细节信息。以此方式，所有 HaarPooling 层共同将任意给定输入图的特征合成为统一大小的特征向量。此类变换提供数据的稀疏表征并保留输入图的结构信息。采用标准图卷积层与 HaarPooling 层实现的 GNN 在多种图分类与回归问题上取得了最先进的性能。