面向图神经网络的高阶聚类与池化
机器学习
2022-09-09 v1 人工智能
摘要
图神经网络在大量图分类任务上取得了最先进的性能，这尤其得益于池化算子，其将学习到的节点嵌入分层聚合为最终的图表示。然而，它们不仅受到近期工作（显示其与随机池化性能相当）的质疑，而且完全忽略了高阶连通模式。为解决此问题，我们提出 HoscPool，一种基于聚类的图池化算子，其分层捕获高阶信息，从而产生更丰富的图表示。事实上，我们通过目标函数中最小化模体谱聚类(motif spectral clustering)的松弛形式端到端地学习概率聚类分配矩阵，并将其扩展为池化算子。我们在图分类任务上评估 HoscPool，并在具有真实社区结构的图上评估其聚类组件，取得了最佳性能。最后，我们对池化算子的内部运作提供了深入的实证分析。
引用
@article{arxiv.2209.03473,
title = {Higher-order Clustering and Pooling for Graph Neural Networks},
author = {Alexandre Duval and Fragkiskos Malliaros},
journal= {arXiv preprint arXiv:2209.03473},
year = {2022}
}
备注
CIKM 2022