复图神经网络(Complex Graph Neural Networks)

首个复图神经网络论文：
文献：Liu, Y., & Du, B. (2024). Frequency Domain-Oriented Complex Graph Neural Networks for Graph Classification. IEEE Transactions on Neural Networks and Learning Systems.
链接：https://ieeexplore.ieee.org/abstract/document/10409552

图神经网络(GNNs)可以直接处理图结构的数据。当前的GNNs局限于空间域，在图分类任务中学习真实的低维嵌入。本文研究了面向频域的复杂GNNs，其中节点在每一层中的嵌入是复杂向量。其难点在于图池化的设计，提出了镜像连接设计，并解决了两个关键问题：参数约简问题和复杂梯度反向传播问题。为了解决前一个问题，提出了平方奇异值池化(SSVP)的概念，并证明了SSVP的表示能力与具有非负权重的全连接层的表示能力完全等效。为了解决后一个问题，我们提供了一种可行的替代方法来求解复杂嵌入的奇异值，并提供了理论上的保证。最后，我们提出了一种混合的池化策略，其中一阶统计信息被用来丰富最后的低维表示。在基准测试上的实验证明了具有镜像连接层的复杂GNN的有效性。

复图神经网络的定义如下：

值得一提的是，PyTorch是无法处理复数的梯度反传问题。因此，涉及了如的镜像连接层：

复图神经网络的计算过程图解：

混合图池化${\mathcal{P}}_{mixture}$：

不同池化层参数量对比：