图神经网络的二阶池化：从节点表示中学习图的表示

 

©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。

1. 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。

2. 将 H 中不同行的顺序调换，应输出相同的 。