《Graph U-Nets》阅读笔记

1.g-U-Nets框架

作者将图像分割领域的unte模型进行迁移，通过重新定义图池化和图池化样，将unet框架迁移到图节点分类领域。

2.图池化层

1.设置可学习参数$p\in R^F$,$F$表示节点的特征维度，通过向量$p$将节点特征映射为一个标量，
$$y=X^l{p}^l/||p^l||\text{\hspace{1em}(1)}$$

其中，$X^l$为图的节点特征，$y$为映射得到的标量构成的向量。
2.选出最大的前k个值对应的节点特征：
$$idx=rank(y,k)\text{\hspace{1em}(2)}$$

$$\tilde{y}=sigmoid(y(idx))\text{\hspace{1em}(3)}$$

$${\tilde{X}}^l=X^l(idx,:)\text{\hspace{1em}(4)}$$

其中，$rank(\ast )$表示对$y$排序并返回最大的前$k$个值所对应的节点索引， 式(3)表示将前$k$个$y$值取出，构成$\tilde{y}$并进行非线性激活。
3. 利用${\tilde{X}}^l$与$\tilde{y}$逐点相乘，达到选择性保留关键节点信息的目的：
$$X^{l+1}={\tilde{X}}^l⨀\tilde{y}\text{\hspace{1em}(5)}$$

4.在得到最大的前$k$个值所对应的节点索引$idx$后，对应索引节点构成子图，从原始的图中得到相应的子图结构：
$$A^{l+1}=A^l(idx,idx)\text{\hspace{1em}(6)}$$

但是，在图池化时，由于只取出关键节点，把其他节点除去，可能会造成孤立节点的存在。所以在使用图卷积时，将邻接矩阵选择为:
$$A^2=A^l{A}^l,A^{l+1}=A^2(idx,idx)\text{\hspace{1em}(7)}$$

使用$A$的次幂作为邻接矩阵，将增强节点之间的连接性，$A^2$表示hop为2的连接关系，相当于增加了卷积时的感受野。

图池化流程图如下所示：

3.图上池化层

图上池化层中，作者在图中直接插值$0$元，在相应池化层时，记录下选择节点的索引$idx$，构建$N\times C$的全$0$矩阵，并将对应索引的$k$个节点的特征值替换全0矩阵中相应位置的$k$个节点的值：
$$X^{l+1}=distribute(0_{N\times C},X^l,idx)\text{\hspace{1em}(8)}$$

其中，$distribute(\ast )$表示将$X^l$按照$idx$的索引替换$0_{N\times C}$的相应位置。

4.改进图卷积

在图卷积公式中：
$$X_{l+1}=\sigma ({\hat{D}}^{-1/2}\hat{A}{\hat{D}}^{-1/2}{X}_l{W}_l)\text{\hspace{1em}(9)}$$

$\hat{A}=A+I$，通过在邻接矩阵$A$中加上单位阵$I$保证中心节点对更新后节点的值有影响，作者希望中心节点在更新时，自身的值对更新后的值有更大的影响，所以：
$$\hat{A}=A+2I0\text{\hspace{1em}(1)}$$