论文研读之《Graph Convolutional Networks with EigenPooling》

论文：https://arxiv.org/pdf/1904.13107.pdf

代码：https://github.com/alge24/eigenpooling

应用领域：图分类

数据集：

1. ENZYMES
2. D & D
3. PROTEINS
4. Mutagenicity
5. NCI1
6. NCI109

主要贡献：提出 EigenPooling。

预备知识：

1. 基础的图论
2. 谱聚类
3. 谱图论
4. 图的傅里叶变换

可以参考：

• Spectra of Simple Graphs
• 谱聚类
• 拉普拉斯矩阵与瑞利熵
• 谱图理论
• 谱聚类方法推导和对拉普拉斯矩阵的理解
• 拉普拉斯矩阵与拉普拉斯算子的关系
• 谱图理解
• 特征值与特征向量的意义
• 谱聚类原理总结
• 如何理解 GCN
• 傅里叶变换具有卷积定理，和傅里叶基函数是拉普拉斯算子的特征函数，之间有什么关系？

  这篇工作是 Hierarchical Graph Representation Learning with Differentiable Pooling （DiffPool）的改版。整个工作的思想与 DiffPool 一脉相承，都是希望通过层次化的方式提取整个图的特征，实现图分类。之所以没称其为改进，主要是因为与 DiffPool 相比，其在数据集上的评估结果没有明显的提升。不主要的是，若不是最近头发长，谱图论相关的复杂概念就是劝退的最好理由。顺便吐槽一句，虽然得感谢开源，但作者写的代码实在是太没有规范了。代码是在 DiffPool 的基础上改的，所以最好先了解一下 DiffPool。

图粗化

  图粗化是作用在整张图 $G$ 切割后的子图 $G^{(k)}$ 上的。子图与子图之间没有交集，也就是说 $G^{(k)}$ 满足 $G^{(1)}\cup G^{(2)}\cup \cdots \cup G^{(k)}\cup \cdots \cup G^{(K)}=G$ 且 $G^{(1)}\cap G^{(2)}\cap \cdots \cap G^{(k)}\cap \cdots \cap G^{(K)}=\varnothing$ 。文中选用谱聚类方法将大图切为一个个子图。

  图粗化的结果是对于每一个子图，都希望能用一个节点来表示，这个节点也可以称为超节点（supernode）。经过粗化，可以希望得到粗化后的图的邻接矩阵。

  记 $A\in {\mathbb{R}}^{N\times N}$ 为包含 $N$ 个节点的图 &G& 的邻接矩阵，$X\in {\mathbb{R}}^{N\times d}$ 为图 $G$ 的特征矩阵，$d$ 表示节点的特征维度。需要注意的是，每个子图中的节点数量并不相同，记 $N_k$ 为子图 $G^{(k)}$ 中的节点数量，${\Gamma }^k$ 是子图 $G^{(k)}$ 中的所有节点组成的列表，即 ${\Gamma }^k=[v_1,v_2,\dots ,v_j,\dots ,v_{N_k}]$ 且 $v_j\in G^{(k)}$ 。定义表示图 $G$ 与子图$G^{(}$