GCN
文章平均质量分 92
兰亭不写序
俗人一个
展开
-
【论文阅读-HGP-SL】Hierarchical Graph Pooling with Structure Learning
论文地址:https://arxiv.org/pdf/1911.05954代码地址:https://github.com/cszhangzhen/HGP-SL来源:WWW 2020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原创 2020-07-20 16:56:22 · 1658 阅读 · 3 评论 -
【论文阅读-ASAP】ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations
论文地址:https://www.aaai.org/Papers/AAAI/2020GB/AAAI-RanjanE.8336.pdf代码地址:https://github.com/malllabiisc/ASAP来源:WWW2020图神经网络(GNN)已被证明可以有效地建模图结构数据,解决节点分类、链路预测和图分类等任务。最近在定义图中池化概念方面取得了一些进展,模型试图通过向下采样和汇总节点中呈现的信息来生成图级表示。现有的池方法要么不能有效地捕获图的子结构,要么不能轻松地伸缩到大型图。这篇论文提原创 2020-07-11 16:26:10 · 2176 阅读 · 2 评论 -
【论文阅读-GSAPool】Structure-Feature based Graph Self-adaptive Pooling
论文地址:https://arxiv.org/pdf/2002.00848.pdf代码地址:https://github.com/psp3dcg/GSAPool来源:WWW2020近年来,提出了各种处理Graph的方法。但是,这些方法大多侧重于节点特征的聚合,而很少关注图池化。而现有的基于top-k的图池化方法也存在一些问题。首先,为了构建池图拓扑,目前的top-k选择方法仅从单个角度评估节点的重要性,过于简单和客观。其次,在池化过程中,未选择节点的特征信息直接丢失,不可避免地导致大量图特征信息丢失。原创 2020-07-09 14:47:16 · 1648 阅读 · 0 评论 -
【论文阅读-SAGPool】Self-Attention Graph Pooling
论文地址:https://arxiv.org/abs/1904.08082来源:ICML 2019本篇论文主要是改变了Topk的得分方式,也是本文的创新之处。作者认为以往的得分函数过于简单,没有考虑到图的拓扑信息,认为谱域卷积同时考虑了图的拓扑信息和节点信息,故用谱域卷积的注意力来替换。其他部分基本是参考Graph U-Net论文提出的方法。模型架构图2左图是全局池化结构,右图是分层池化结构。全局池化结构由三个图卷积层组成,每层的输出被连接起来。节点特征在池化层之后的readout层中聚合。然后原创 2020-07-08 15:34:42 · 2073 阅读 · 0 评论