图神经网络论文阅读(四) Large-Scale Learnable Graph Convolutional Networks, KDD2018

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