本文的三位作者来自华盛顿州立大学,同之前的几篇论文一样,本文也是旨在解决如何在非欧的graph中获得适用于广义卷积的子图结构,并提出模型learnable graph convolutional layer (LGCL)。LGCL根据值的排序,为每个特征自动选择固定数量的相邻节点,将图形数据转换成一维格式的网格状结构(在节点邻域矩阵上执行最大池化,得到top-k特征元素),从而可以对泛型图进行常规的卷积操作。同时,为了在大图上进行模型训练,提出了一种子图训练方法,以减少先前在图卷积上的方法所带来的过多的内存和计算资源需求。
将卷积应用到图数据上,主要需要克服两个挑战:邻居结点数量不固定;没有可以依赖的特征对邻居结点进行排序。这也是空域卷积模型都要面对的两个问题。
Model
首先,LGCL的逐层传播规则被表述为:
其中,A表示邻接矩阵,g(·)为选择k个最大结点的操作,将泛型图转换为网格状结构数据。c(·)代表1D的CNN操作。下面根据一个例子分别介绍g(·)和c(·)。
- k-largest Node Selection。定义