几何图深度学习的菱形瓦片
机器学习
2025-05-15 v1
摘要
图神经网络 (GNN) 通过其基于邻域的消息传递框架在从图结构数据中学习方面证明了有效性。许多层次化图聚类池化方法通过引入聚类策略来修改这一框架，从而构建更具表达力和更强大的模型。然而，这些消息传递框架都严重依赖图的连通结构，限制了其捕捉几何图中固有丰富几何特征的能力。为此，我们提出基于菱形瓦片结构的聚类方法——菱形瓦片 (RT) 聚类，其通过利用数据的复杂几何信息进行聚类，有效提取其更高阶几何结构。此外，我们设计了基于 RT 聚类的层次化图聚类池化模型，以用于图分类任务。该提议模型在所有 7 个基准数据集上均优于 21 家最先进竞争者。
引用
@article{arxiv.2505.09586,
title = {Rhomboid Tiling for Geometric Graph Deep Learning},
author = {Yipeng Zhang and Longlong Li and Kelin Xia},
journal= {arXiv preprint arXiv:2505.09586},
year = {2025}
}