Oct, 2020

图神经网络中池化操作的重新思考

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 图上的拓扑池化

    提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息，该方法在 11 个不同的基准数据集上超过 18 个基线模型，显示出对比竞争对手更佳的实验表现。

    Mar, 2023

  • 使用图神经网络进行图聚类

    本文研究使用深度模块网络（DMoN）解决无监督图聚类中图分割困难的问题，通过实验表明 DMoN 对于真实世界的数据集能实现与最优结果强相关的高品质聚类效果，其表现优于其他不同指标的汇聚方法。

    Jun, 2020

  • 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

  • 图神经网络的边缩减池化

    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

  • 学习图池化和混合卷积操作以获取文本表示

    提出了使用可训练投影向量评估节点重要性来选择新图形的最重要的 K 个节点以达到与图像最大池化层相同目的的图形池 (pooling) 层。同时，结合 GCN 和普通卷积运算进行的混合卷积层 (hConv) 能够快速增加接受野 (receptive field)，自动计算特征等功能，基于提出的 gPool 和 hConv 层，我们为文本分类任务开发了新的深度网络，结果证明基于这些层的网络相比于基线方法具有新的最先进性能。

    Jan, 2019

  • 精心选择和深思熟虑的丢弃：利用被丢弃节点的图显式池化

    提出了一种新的图显式汇聚（GrePool）方法，通过明确利用节点之间的关系和最终表示向量的选择，解决了现有图汇聚方法中的两个关键问题，并进行广泛的实验证明其在分类准确度方面优于 14 个基线方法。

    Nov, 2023

  • 自注意力图池化

    本文提出一种基于自注意力机制的图池化方法，使用图卷积实现自注意力，同时考虑节点特征和图拓扑结构，实验结果表明该方法在基准数据集上具有优异的图分类性能。

    Apr, 2019

  • 图神经网络中池化的表达能力

    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

  • 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