SPGP：结构原型引导的图池化
机器学习
2023-03-02 v2 社会与信息网络
摘要
尽管图神经网络（GNNs）在图的节点分类任务和链接预测任务中已取得成效，学习图级表示仍具挑战。对于图级表示，同时学习邻近节点的表示（即聚合）与图结构信息十分重要。为此已提出多种图池化方法。然而，现有多数池化方法利用 k-hop 邻域而未考虑图中的显式结构信息。本文提出结构原型引导池化（SPGP），利用先验图结构以克服该局限。SPGP 将图结构表述为可学习的原型向量，并计算节点与原型向量之间的亲和度。这引出了一种新颖的节点打分方案，在封装图中有用结构的同时优先保留信息丰富的节点。实验结果表明，SPGP 在图分类基准数据集上的准确率与可扩展性均优于最先进的图池化方法。
引用
@article{arxiv.2209.07817,
title = {SPGP: Structure Prototype Guided Graph Pooling},
author = {Sangseon Lee and Dohoon Lee and Yinhua Piao and Sun Kim},
journal= {arXiv preprint arXiv:2209.07817},
year = {2023}
}
备注
20 pages, 6 figures