©PaperWeekly 原创 · 作者|石壮威
学校|南开大学硕士生
研究方向|机器学习、图神经网络
本文 [1] 提出图神经网络的二阶池化方法,用以从节点表示中学习图的表示。与现有的图池化方法相比,二阶池化能够通过二阶信息增强图池化的性能。本文提出了两种基于二阶池化的全局图池化方法:双线性映射与注意力二阶池化。此外,作者将注意力二阶池化推广到了层次图池化方法。作者在图分类任务进行了详细的实验,实验结果表明,该方法在图分类任务上表现优秀。
论文标题:
Second-Order Pooling for Graph Neural Networks
Arxiv地址:
https://arxiv.org/abs/2007.10467
IEEE官网地址:
https://ieeexplore.ieee.org/document/9104936
代码地址:
https://github.com/divelab/sopool
图池化
考虑一个图 G=(A,X),其中 A 和 X 分别表示邻接矩阵和特征矩阵,假设图的节点数为 n,节点特征维度为 d,那么 ,图神经网络(GNN)从通过图的拓扑结构和特征矩阵,为每个节点学习一个 f 维的表示。
而图池化,则是通过表示矩阵 H,为全图学习一个 c 维的特征向量。
其中 g 是图池化函数。池化函数 g 必须满足以下两个要求。
对于不同的图,节点数 n 是不同的,但 g 输出的向量维度应该固定,以适应分类器。
将 H 中不同行的顺序调换,应输出相同的 。