稀疏分层图分类器的研究

NIPSNov, 2018

Towards Sparse Hierarchical Graph Classifiers

Cătălina Cangea, Petar Veličković, Nikola Jovanović, Thomas Kipf, Pietro Liò

TL;DR本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

Abstract

Recent advances in representation learning on graphs, mainly leveraging graph convolutional networks, have brought a substantial improvement on many graph-based benchmark tasks. While novel approaches to learning node e

representation learning graph convolutional networks node embeddings graph classification differentiable graph coarsening

发现论文，激发创造

可微池化的分层图形表示学习

本文提出了 DiffPool 模型，可以生成层次化的图表示，并可与各种图神经网络结构直接相结合。实验结果表明，结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10％，相比所有现有的汇聚方法，实现了四个基准数据集的新的最优性。

Jun, 2018

用于半监督节点分类的分层图卷积网络

本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

Feb, 2019

具有 EigenPooling 的图卷积网络

本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

Apr, 2019

分子图上的稀疏分层表示学习

基于含边界特征的层次化稀疏表示学习架构，提出了两种用于层次化图形表征汇聚的层，并在 MoleculeNet 数据集上进行了验证，结果表明该模型在药物发现领域是最先进的。

Aug, 2019

通过图缩减扩展图神经网络规模

本文提出了一种使用图粗化来实现可扩展 GNN 训练的不同方法，详细介绍了图粗化操作的影响和选择方法，并表明图粗化也可看作一种正则化手段。实证结果表明，简单地应用成熟的粗化方法，可以将节点数降低到原来的十分之一而不会导致分类精度的明显下降。

Jun, 2021

一种简单而有效的图分类方法

通过将图数据样本转换为编码树以及使用分层传递机制，提出了一种树内核和卷积网络来实现图分类，其时间复杂度低于其他图神经网络，同时验证表明其在性能和计算资源方面均优于其他方法。

Jun, 2022

图神经网络的高阶聚类和池化

提出了 HoscPool，一种基于聚类的图池算子以及它的聚类组件，通过最小化松弛的基元谱聚类来学习概率群分配矩阵，从而丰富图形表示，并在图分类任务和地面真实社区结构图上取得了最佳表现。此外，对汇集算子的内部功能进行了深入的实证分析。

Sep, 2022

图分类池化架构搜索

本文介绍了使用神经架构搜索技术搜索适当的池化方法用于图分类问题，并提出了一个可以涵盖现有人工设计的池化方法的框架，并在此框架上设计了一个新的搜索空间，在六个真实世界的数据集上做出了有效和高效的实验。

Aug, 2021

异构超图嵌入用于图分类

论文提出了一种基于图神经网络的异构超图表示学习框架，利用小波基于局部超图卷积来表征多种非成对关系，并通过广泛的实验表明该方法优于其他方法，在垃圾邮件检测等任务中也有显著的优势。

Oct, 2020

基于 GNN 的图分类和链路预测综述

本综述文章研究了图卷积神经网络及其在节点分类等领域的应用，并阐述了构建图卷积算子和图池算子的关键步骤。

Jul, 2023