Haar 图形池化
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
本文研究图形池化(Graph pooling)对图神经网络(GNN)性能的影响,使用随机化或补图聚类的变体挑战了保留局部性表示的必要性,并表明了卷积层在学习表示中的领导作用。与普遍认为的不同,局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。
Oct, 2020
该论文介绍了一种在图神经网络中定义的称为 Haar 基础的正交系统,可以通过快速 Haar 变换实现性能高效的卷积计算,实验表明其在基于图的回归和节点分类任务中效果优于现有方法。
Jul, 2019
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
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
本文提出了一种新的 Hierarchical Graph Pooling with Structure Learning (HGP-SL) 图池化算子来生成图结构的分层表示,并将其与图神经网络相结合,专注于图分类任务。通过实验结果表明,这种方法在六个广泛应用的基准测试中均取得了良好的效果。
Nov, 2019
本文研究图神经网络中的池化操作的表现力问题,并介绍了一种可以全面维持 message-passing 层的表现力的池化操作设计原则,进而通过实验验证其在图同构检测上的效果。
Apr, 2023
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
本研究提出了一种名为 EdgePool 的图池化层,利用边缩减的概念来学习局部和稀疏的硬池化转换,证明 EdgePool 优于其他池化方法,并且易于集成到大多数 GNN 模型中,提高了节点和图的分类性能。
May, 2019
本研究提出了一种基于图解析算法的图池化网络(Graph Parsing Network, GPN),通过学习每个个体图的个性化池化结构,提高了在图分类任务中的性能,同时在节点分类任务中保持了竞争力,并能通过相关测试来衡量内存和时间效率。
Feb, 2024