SimPool：基于拓扑结构与结构相似性特征的图池化方法
机器学习
2020-06-04 v1 机器学习
摘要
近年来，图的深度学习方法取得了快速进展，其中将卷积神经网络（CNN）推广到图数据受到了广泛关注。CNN 通常通过交替卷积层和池化层来实现，其中池化层对网格进行下采样，以空间或时间分辨率为代价换取特征维度的增加。尽管图的广义卷积算子已被广泛研究并被证明有用，但图的层次化粗化仍然具有挑战性，因为图中的节点没有空间局部性也没有自然顺序。本文提出两个主要贡献，其一是基于邻接矩阵计算结构相似性特征的可微分模块。这些结构相似性特征可与各种算法结合使用，但本文的重点及第二个主要贡献在于将这些特征与 revisited 池化层 DiffPool（arXiv:1806.08804）相集成，提出一种称为 SimPool 的池化层。这是通过将图中基于结构相似性的网络约简概念与层次化局部池化概念相联系来实现的。实验结果表明，作为端到端图神经网络架构的一部分，SimPool 计算出的节点簇分配在功能上更类似于 CNN 在对标准网格上局部感受野操作时所使用的保局部性池化操作。此外，实验结果表明，这些特征在归纳图分类任务中是有用的，且未增加参数数量。
引用
@article{arxiv.2006.02244,
title = {SimPool: Towards Topology Based Graph Pooling with Structural Similarity Features},
author = {Yaniv Shulman},
journal= {arXiv preprint arXiv:2006.02244},
year = {2020}
}
备注
Draft - work in progress. Currently under initial review, mistakes may be present and content is likely to be revisited in subsequent versions