May, 2021

通过图信息最大化实现的图池化

PDF
TL;DR提出了 Coarsened Graph Infomax Pooling (CGIPool) 方法，通过最大化每个池化层输入和粗化图之间的相互信息来维护图级依赖关系，并应用对比学习和提出自注意力算法来实现相互信息神经最大化。在七个数据集上的大量实验结果证明了 CGIPool 相对于现有的最先进方法的优越性。
graph poolinghierarchical graph representation learningcoarsened graph infomax poolingmutual information neural maximizationcontrastive learning
发现论文，激发创造
  • 基于 Vertex Infomax 池化的图交叉网络

    本文提出了一种新颖的图交叉网络（GXN），实现了对图的多个规模的全面特征学习。该网络通过可训练的分层表示形式，实现了规模间中间特征的交换，以促进信息流。实验结果表明，该网络显著提高了图分类和定点分类的准确性。

    Oct, 2020

  • 深图信息最大化

    Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。

    Sep, 2018

  • 高效对比图交互学习的共同关注图池化

    提出了一种新颖高效的图级方法，通过图池化中的共同注意力来提取交互表示，该方法在使用真实世界数据集的分类和回归任务中相对于现有方法表现竞争力，同时保持较低的计算复杂度。

    Jul, 2023

  • GPS: 基于对抗汇聚的多尺度增强视图的图对比学习

    自我监督图表示学习是最近在生物信息学和社交网络等领域显示出相当潜力的技术。本文介绍了一种名为 Graph Pooling ContraSt（GPS）的新方法，通过重新思考图池化（graph pooling）并利用其自动生成多尺度的正视图，从而在相似性学习和一致性学习的共同对比学习框架中将强增强视图和弱增强视图结合起来，并对编码器进行对抗训练以提高其对抗鲁棒性。实验结果验证了该方法在图分类和迁移学习任务中的优越性。

    Jan, 2024

  • 图解析网络

    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

  • COIN：针对二分图的 Co-Cluster Infomax

    本文提出了一种名为 COIN 的新型社团信息最大化（coclustering infomax）框架，该框架通过最大化共同聚类的互信息来捕捉簇级信息，实现了对节点嵌入向量的有效提升，并提供了理论证明及各项任务的表现。

    May, 2022

  • 图神经网络中的最大独立集合用于汇聚

    在图像分类中，卷积神经网络通过卷积和池化实现了重大进展；然而，对于图中的池化方法存在着一些问题，如图的断开或过连接、低减少率和删除大部分图等。本文基于最大独立集的概念提出了三种池化方法，并通过实验结果确认最大独立集约束对图池化的相关性。

    Jul, 2023

  • 一种改进的基于骨架的动作识别图池化网络

    在该论文中，我们提出了一种改进的图池化网络（IGPN），包括区域感知池化策略、交叉融合模块和信息补充模块等创新点，该方法可以与现有的基于 GCN 的模型无缝结合，实验证明了我们提出的解决方案的有效性。

    Apr, 2024

  • 异质深度图卷积网络

    本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

    Nov, 2019

  • 混合池化增强基于 Mixup 的图学习在自然语言处理中的应用

    本文探讨了不同的图池化方法对基于混合数据增广方法（Manifold Mixup）的影响，并在自然语言和编程语言数据集上进行了实验，结果表明混合池化方法比标准的最大池化和最先进的图多重集变换器（GMT）池化更适合于 Mixup，具有更好的度量精度和鲁棒性。

    Oct, 2022