图卷积知识点一些小总结

最新推荐文章于 2024-05-23 11:16:42 发布

幽殇默

最新推荐文章于 2024-05-23 11:16:42 发布

阅读量899

点赞数 25

分类专栏：知识点文章标签：机器学习深度学习

本文链接：https://blog.csdn.net/bettle_king/article/details/137468589

版权

知识点专栏收录该内容

6 篇文章 0 订阅

订阅专栏

参考文章：https://zhuanlan.zhihu.com/p/362095540

DiffPool

在这里插入图片描述
DiffPool是一种图神经网络（GNN）中的图池化方法，用于将图数据下采样为更小的表示，同时保持图的结构信息和节点的语义信息。DiffPool的核心思想是在GNN的每一层学习节点的软聚类分配，即将节点映射到一组聚类中，然后将聚类映射到下一层GNN的输入。
DiffPool的主要步骤包括：

节点分配：在当前层GNN的输出后，每个节点都被分配到一个聚类中。这里的聚类是一个动态的集合，随着GNN的层数增加而逐渐合并。
节点的分配是动态的，反映了节点在图中的局部和全局结构信息。
构建聚类图：将分配到同一个聚类的节点连接起来，形成下一层GNN的输入图。这个输入图的节点数量少于原始图，边也相应减少，实现了图的下采样。
聚类合并：随着GNN层数的增加，聚类逐渐合并，直到最后一层只有一个聚类，即整个图。这样就实现了从细粒度的图到粗粒度的图的转换，降低了计算复杂度。
聚类权重学习：在DiffPool中，每个节点不仅被分配到一个聚类中，还会学习一个权重，表示其在当前聚类中的重要性。这个权重信息会被传递到下一层，用于聚合聚类中的节点信息。

简单来说，就是说一些点的特征其实是很相似的那么就可以将这些相似的点聚集成一个点。

gPool（Graph Pooling）

Graph U-Nets提出来的一种方法，它们可以缩小特征地图的大小，扩大感受野，从而提高泛化能力和性能在这一层中，我们自适应地选择一个节点子集来形成一个新的但更小的图。为此，我们使用了一个可训练的投影向量p。通过将所有节点特征投影到1D，我们可以为选择的节点执行k-max合并。由于选择是基于每个节点的1D足迹，因此新图中的连通性在节点之间是一致的。

好的文章