LGRPool：基于局部-全局正则化的层次图池化
机器学习
2025-04-14 v1 人工智能
摘要
层次图池化(HGP)旨在考虑常规图神经网络(GNN)本质上是平坦且非多尺度的事实。然而，大多数HGP方法不仅缺乏考虑图的全局拓扑结构并关注特征学习，还由于图本应以多尺度方式分析，导致局部特征与全局特征无法对齐。本文提出LGRPool作为一种HGP方法，基于期望最大化框架，通过正则化器强制全局拓扑信息在不同尺度上与局部消息传递一致，从而在HGP的不同层表示之间实现局部与全局消息传递的对齐。在一些图分类基准测试上的实验结果表明，该方法略优于一些基线方法。
引用
@article{arxiv.2504.08530,
title = {LGRPool: Hierarchical Graph Pooling Via Local-Global Regularisation},
author = {Farshad Noravesh and Reza Haffari and Layki Soon and Arghya Pal},
journal= {arXiv preprint arXiv:2504.08530},
year = {2025}
}
备注
f tables, 2 figures