论文笔记之Graph U-Nets
一、要解决的问题
此文研究了图数据的表示学习问题。
图数据中的节点没有空间局部性和顺序信息,即节点的邻居数量不固定,并且没有顺序。所以池化和上采样不能很自然地对图数据进行操作。
二、提出的方法
为了解决这些挑战,文中提出了graph pooling(gPool)层和graph unpooling(gUnpool)层:
• gPool层根据节点在可训练投影向量上的标量投影值,适应地选择节点,即对重要节点的子集进行采样,形成较小的图,从而增大了感受野并有效编码了高级特征。
• gUnpool层是gPool层的逆操作。gUnpool层使用在相应gPool层中选择的节点的位置信息将图恢复到其原始结构。
• 基于gPool和gUnpool层,文中提出Graph U-Nets模型。它可以编码高维特征,然后解码生成网络embedding。
• 文中在节点分类和图分类任务上进行了实验,结果表明,Graph U-Nets在transductive learning任务上比以前的GNNs取得了更好的性能。
• 为了避免采样图中可能存在的孤立节点问题,文中采用图二次幂来改进了图的连通性。
三、具体过程
gPool层传播规则