基于可微池化的层次化图表示学习
机器学习
2019-02-21 v4 神经与进化计算
社会与信息网络
机器学习
摘要
近来，图神经网络（GNNs）通过有效学习节点嵌入革新了图表示学习领域，并在节点分类和链接预测等任务上取得了最先进的结果。然而，当前的 GNN 方法本质上是扁平的，不学习图的层次化表示——这一局限对图分类任务尤为不利，该任务的目标是预测与整个图相关联的标签。本文提出 DiffPool，一种可微图池化模块，能够生成图的层次化表示，并可以以端到端的方式与各种图神经网络架构结合。DiffPool 在深度 GNN 的每一层学习节点的可微软聚类分配，将节点映射到一组簇，这些簇随后构成下一 GNN 层的粗化输入。我们的实验结果表明，与所有现有池化方法相比，将现有 GNN 方法与 DiffPool 结合在图分类基准上取得了 5-10% 的平均准确率提升，并在五个基准数据集中的四个上达到了新的最先进水平。
引用
@article{arxiv.1806.08804,
title = {Hierarchical Graph Representation Learning with Differentiable Pooling},
author = {Rex Ying and Jiaxuan You and Christopher Morris and Xiang Ren and William L. Hamilton and Jure Leskovec},
journal= {arXiv preprint arXiv:1806.08804},
year = {2019}
}