图神经网络中池化操作的重新思考
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
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
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
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
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
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
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