2019-arXiv-Edge Contraction Pooling for Graph Neural

2019-arXiv-Edge Contraction Pooling for Graph Neural

Paper: https://arxiv.org/abs/1905.10990
Code: https://github.com/pyg-team/pytorch_geometric/tree/master/benchmark/kernel

图神经网络的边缘收缩池化

池化层可以使GNN对抽象的节点组而不是单个节点进行推理。为了缩小这一差距，作者提出了一个依赖于边缘收缩概念的图池层：EdgePool 学习局部和稀疏的硬池转换。实验表明，EdgePool优于其他池化方法，可以很容易地集成到大多数GNN模型中，并提高了节点和图分类的性能。

边缘池层的主要优点是：

• EdgePool的性能优于其他池化方法。
• EdgePool可以集成到现有的图形分类架构中。
• EdgePool可用于节点分类并提高性能。

模型

下图表示作用在蛋白质图中的基于边收缩的池化机制。原始图(最左边)被池化了三次，结果为最右侧的图。在每个步骤中，将要合并的节点周围都有一条随机颜色的虚线。在下一步中，将节点绘制为它们的凸形，填充相同的颜色。

图基础： 图 $G=(V,E)$，其中每个 $v$ 节点都有 $f$ 特征 $V\in R^{v\times f}$ 。边表示为没有权重或特征的有向节点对。

边缘收缩

池化操作基于边缘收缩。收缩边 e = { v i ， v j } e = \{v_i， v_j\} e={vi​，vj​} 引入新节点 $v_e$ 和新边，使得 $v_e$ 与所有节点 $v_i$ 相邻或 $v_j$ 已经相邻。$v_i$、$v_j$ 及其所有边将从图形中删除。由于边收缩是可交换的，也可以定义边集收缩。通过构造集合，使得没有两条边入射到同一个节点，可以简单地多次应用单边收缩的朴素概念。

通过合并其节点来选择单个边缘进行收缩。然后，此新节点将连接到合并节点已连接到的所有节点。多次重复此过程，注意不要将新合并的节点包含在其中。

选择边

EdgePool对每条边设计了一个可学习的分数，然后根据边的分数来选择保留还是丢弃所连的节点。边的分数通过对节点特征的线性变换来计算，节点$x_i$和节点$x_j$所连的边的分数$r_{ij}$, 如果图中的边还有特征$e_{ij}$，那么也可以同时将边的特征也融入其中，也就是做了一个简单的拼接:

虽然每个节点只沿着一条边进行收缩，但是每个节点可能有多条可选的边，可将节点邻接的边的分数归一化，使得不同边之间的分数便于相互比较：

计算新节点特征

为了使梯度流入分数，我们使用门控并将组合的节点特征乘以边缘分数：

计算性能

EdgePool 是本地独立的：只要两个节点 $n_i$ 和 $n_j$ 及其邻居的节点分数不改变（通过更改感受野内的节点），边缘 $e_{ij}$ 的选择就不会改变。因此，不必一次为整个图形计算边缘池。如果图形发生更改，则只需要更新已更改区域的本地池化。

集成边缘要素

更新边缘池以考虑边缘 $e_{ij}$ 的边缘特征。为此将它们包含在原始分数计算中(公式(1))。最简单的方法是将它们连接起来：

反池化EdgePool

对于节点分类来说，还是需要一个解池化的操作。对于解池化的操作，只需要对新的节点特征进行还原即可：

实验

Table1 中是与其他不同的池化操作的对比，为了验证EdgePool的性能是否优于其他池化方法。

Table2 是将edgepool技术和其他GNN框架融合之后的效果（图分类），为了验证EdgePool是否可以集成到现有的GNN架构中。

Table3 是与其他GNN模型在节点分类任务上结合的效果。