Graph Convolutional Networks with EigenPooling

Graph Convolutional Networks with EigenPooling

图神经网络将深度神经网络模型推广到图结构数据，近年来受到越来越多的关注。它们通常通过转换、传播和聚合节点特征来学习节点表示，已被证明可以提高许多图相关任务的性能，如节点分类和链接预测。为了将图神经网络应用于图分类任务，需要从节点表示中生成图表示。一种常见的方法是全局地组合节点表示。然而，丰富的结构信息被忽视了。因此，需要一个分层池化过程，以在图表示学习期间保持图结构。最近有一些关于分层学习图表示的工作，类似于传统卷积神经(CNN)网络中的池化步骤。然而，在池化过程中，局部结构信息仍然在很大程度上被忽略。

文中提出了一种基于图傅里叶变换的池化算子EigenPooling，能够充分利用池化过程中的节点特征和局部结构。然后基于池化算子设计池化层，并进一步与传统GCN卷积层相结合，形成图神经网络框架EigenGCN用于图分类。为从局部和全局的角度理解特征池化提供了理论分析。在6个常用基准图分类任务上的实验结果证明了所提框架的有效性。 

 总结：文中设计了一种新的图pooling操作方法