论文地址:https://arxiv.org/pdf/1911.05954
代码地址:https://github.com/cszhangzhen/HGP-SL
这篇论文提出了一种新的基于TopK的图池化操作符HGP-SL,它可以集成到各种图神经网络架构中。HGP-SL将图池和结构学习整合到一个统一的模块中,以生成图的层次表示。更具体地说,图池操作自适应地选择节点的子集,形成后续层的诱导子图。为了保持图的拓扑信息的完整性,进一步引入了一种结构学习机制,在每一层上学习一个优化的集合图结构。将HGP-SL算子与图神经网络相结合,以图分类任务为重点,进行图级表示学习。
模型体系结构
虚线框展示了HGP-SL的工作流程,包括图池和结构学习。学习的边在图中以虚线表示。这个过程(卷积和池操作)要重复几次。然后,对聚合节点表示应用一个读出函数来生成固定大小的表示,通过MLP层进行图分类。
卷积层
池化层
得分函数
能够由邻居节点重构得到的节点,所具有的信息较少,所以我们删除这些节点。这里,用了曼哈顿距离来衡量节点自身和重构得到的节点之间的距离,然后删除得分小的节点。