基于节点抽取池化的图神经网络分层表示学习
机器学习
2024-04-23 v3 谱理论
机器学习
摘要
在图神经网络（GNNs）中，池化算子计算输入图的局部摘要以捕获其全局属性，它们是构建学习分层表示的深度GNNs的基础。在本工作中，我们提出节点抽取池化（NDP），一种为GNNs生成更粗图同时保留整体图拓扑的池化算子。在训练期间，GNN学习新的节点表示并将其拟合到在预处理阶段离线计算的粗化图金字塔。NDP由三步组成。首先，节点抽取过程选择属于由近似\maxcut{}解的光谱算法所识别划分一侧的节点。之后，所选节点通过Kron约化连接以形成粗化图。最后，由于所得图非常稠密，我们应用稀疏化过程修剪粗化图的邻接矩阵以降低GNN中的计算成本。值得注意的是，我们表明可以在不显著改变图结构的情况下移除许多边。实验结果表明，与最先进的图池化算子相比，NDP更高效，同时在对大量图分类任务的竞争中达到相当的性能。
引用
@article{arxiv.1910.11436,
title = {Hierarchical Representation Learning in Graph Neural Networks with Node Decimation Pooling},
author = {Filippo Maria Bianchi and Daniele Grattarola and Lorenzo Livi and Cesare Alippi},
journal= {arXiv preprint arXiv:1910.11436},
year = {2024}
}