iPool——层次图神经网络中基于信息的池化
机器学习
2019-12-12 v2 社会与信息网络
机器学习
摘要
随着数据科学的出现，网络或图数据的分析已成为非常及时的研究问题。近期已有大量工作提出将神经网络推广到图，或从谱图理论或从空间视角出发。然而这些工作大多聚焦于使卷积算子适应图表示。同时，池化算子在提炼多尺度与层次表示中也扮演重要角色，但迄今多被忽视。本文提出一种无参数的池化算子，称为iPool，其允许在任意图中保留最具信息性的特征。基于信息性节点主导刻画图信号的论点，我们提出一种准则来评估给定邻域时每个节点的信息量，并从理论上展示其与邻域条件熵的关系。这一新准则决定节点如何被选取以及粗化图如何在池化层构建。所得层次结构对任意拓扑的网络数据产生有效的同构不变表示。所提策略在一系列公开图数据集（包括生物信息学与社会网络）的图分类上评估，并在大多数数据集上取得SOTA性能。
引用
@article{arxiv.1907.00832,
title = {iPool -- Information-based Pooling in Hierarchical Graph Neural Networks},
author = {Xing Gao and Hongkai Xiong and Pascal Frossard},
journal= {arXiv preprint arXiv:1907.00832},
year = {2019}
}
备注
Typos corrected and one reference added