自注意力图池化

近年来，将深度学习应用于图等结构化数据的先进方法已被提出。特别地，研究集中于将卷积神经网络推广到图数据，包括为图重新定义卷积和下采样（池化）操作。将卷积操作推广到图的方法已被证明能提升性能并得到广泛应用。然而，将下采样应用于图的方法仍难以实现且有待改进。在本文中，我们提出了一种基于自注意力的图池化方法。利用图卷积的自注意力使我们的池化方法能够同时考虑节点特征和图拓扑。为确保公平比较，现有池化方法与我们的方法使用了相同的训练流程和模型架构。实验结果表明，我们的方法在使用合理参数量的情况下，在基准数据集上取得了优异的图分类性能。