重新思考图神经网络中的池化
机器学习
2020-10-23 v1 人工智能
计算机视觉与模式识别
摘要
图池化是众多图神经网络（GNN）架构的核心组件。作为传统 CNN 的继承，大多数方法将图池化表述为聚类分配问题，将规则网格中局部块的思想扩展到图。尽管广泛遵循这一设计选择，尚无工作严格评估其对 GNN 成功的影响。在本文中，我们基于代表性 GNN 构建变体，通过随机化或在补图上聚类来挑战保持局部性表示的需求。引人注目的是，我们的实验表明使用这些变体并未导致性能下降。为理解这一现象，我们研究了卷积层与后续池化层之间的相互作用。我们表明卷积在学习的表示中起主导作用。与普遍看法相反，局部池化并非 GNN 在相关且广泛使用的基准上成功的原因。
引用
@article{arxiv.2010.11418,
title = {Rethinking pooling in graph neural networks},
author = {Diego Mesquita and Amauri H. Souza and Samuel Kaski},
journal= {arXiv preprint arXiv:2010.11418},
year = {2020}
}
备注
Accepted to NeurIPS 2020