具有结构学习的层次化图池化
机器学习
2019-12-30 v3 机器学习
摘要
图神经网络（GNN）将深度神经网络推广到图结构数据，已在众多图相关任务中引起相当关注并取得了最先进的性能。然而，现有的 GNN 模型主要聚焦于设计图卷积操作。在学习层次化表示中起重要作用的图池化（或下采样）操作通常被忽视。本文提出一种新颖的图池化算子，称为具有结构学习的层次化图池化（HGP-SL），其可集成到各种图神经网络架构中。HGP-SL 将图池化与结构学习整合到一个统一模块中，以生成图的层次化表示。更具体地，图池化操作自适应地选择节点子集，为后续层形成诱导子图。为保持图拓扑信息的完整性，我们进一步引入结构学习机制，为每一层的池化后图学习一个精炼的图结构。通过将 HGP-SL 算子与图神经网络结合，我们进行图级表示学习，重点关注图分类任务。在六个广泛使用的基准上的实验结果证明了我们提出模型的有效性。
引用
@article{arxiv.1911.05954,
title = {Hierarchical Graph Pooling with Structure Learning},
author = {Zhen Zhang and Jiajun Bu and Martin Ester and Jianfeng Zhang and Chengwei Yao and Zhi Yu and Can Wang},
journal= {arXiv preprint arXiv:1911.05954},
year = {2019}
}
备注
Typo corrected, reference added and code is available at https://github.com/cszhangzhen/HGP-SL