MathNet：用于图表示与学习的类 Haar 小波多分辨率分析
机器学习
2021-01-26 v2 机器学习
摘要
图神经网络（GNNs）近来备受关注，并在图级应用中取得了显著进展。在本文中，我们提出了一种基于多分辨率类 Haar 小波的图神经网络框架，即 MathNet，其包含相互关联的卷积与池化策略。该方法以不同结构的图作为输入，并为读出层组装一致的图表示，进而完成标签预测。为此，首先构建多分辨率图表示并将其输入图卷积层进行处理。随后引入层次化图池化层以对图分辨率进行下采样，同时去除图信号中的冗余。整个流程可形成多级图分析，不仅有助于将各图的内在拓扑信息嵌入 GNN，还支持图前向与伴随变换的快速计算。我们通过大量实验表明，所提框架在图分类与回归任务上取得了显著的准确率提升且性能稳定。所提出的 MathNet 优于多种现有 GNN 模型，尤其在大数据集上。
引用
@article{arxiv.2007.11202,
title = {MathNet: Haar-Like Wavelet Multiresolution-Analysis for Graph Representation and Learning},
author = {Xuebin Zheng and Bingxin Zhou and Ming Li and Yu Guang Wang and Junbin Gao},
journal= {arXiv preprint arXiv:2007.11202},
year = {2021}
}
备注
32 pages, 6 figures, 6 tables