GNN Pooling(九)：Structure-Feature based Graph Self-adaptive Pooling，WWW2020

文本一共有…九个作者，分别来自西安电子科技大学，Shanghai BNC，Murdoch University以及University of Western Australia。
本文提出了一种新的图自适应池化方法（ GSAPool），其目的如下:(1)构建合理的池化图拓扑，同时考虑了图的结构和特征信息，在节点选择上提供了更高的准确性和客观性;(2)使合并的节点包含足够有效的图信息，在丢弃不重要节点之前对节点特征信息进行聚合;因此，被选中的节点包含来自邻居节点的信息，可以增强未被选中节点特征的使用。在四个不同数据集上的实验结果表明，我们的方法在图分类方面是有效的，并且优于现有的图池方法。

PROPOSED METHODS

池化的结构包含三部分：the structure-based topology learning (SBTL), the feature-based topology learning (FBTL), and the structure-feature topology learning (SFTL)，如下图所示。

GSAPool的包括两部分:池拓扑学习和节点特征融合。SBTL和FBTL分别聚合结构上的特征（通过GCN）和本身特征的一个重要程度的筛选（MLP）。GCN如下：

或者也可以替换成其他的GNN架构：

然后，对SBTL和FBTL的结果进行一个加权求和。求和之后的结果进行top-k的筛选，作为池化之后的结果。

此外，为了使用未选择节点的信息，我们必须在丢弃节点之前对其特征进行聚合，也就是节点特征融合。在融合的时候考虑了多跳信息：

可以看到图中的abc分别代表无融合，1-hop和2-hop。本文评估了两种不同的聚合信息方式：GCNConv以及GAT。利用这些融合方法，所选择的节点可以携带来自邻近节点的特征信息。这样，池化结果可以很好地表示整个图。
为了比较公平，我们的实验采用SAGPool[20]的模型架构。所有的比较方法和我们的方法使用相同的架构。图3显示了模型架构的细节。

实验

还是先看数据集：

对于池化比率，使用了三个值:0.25、0.5和0.75。当池化比为0.25时，由于所选择的特征信息较少，池化方法的性能不是很好。当池化比为0.75时，由于图保留了过多的冗余信息，性能不太好。因此，最终取0.5作为池率。α是一个经验值，几个值被测试以找出最好的：





最后是可视化的效果，可以见到所提出的GSAPool的特征(在第二行)比SAGPool的特征(在第一行)更容易区分。