图上的拓扑池化
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
本文提出了一种有意识地考虑图形拓扑结构的拓扑感知池化层(TAP)方法,通过局部选票和全局选票两个阶段的投票过程来选择更重要的节点,在保证采样图的更好图连接性的条件下,合并本地和全局投票分数,从而提高图分类任务的效果。
Oct, 2020
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
最近,有一个新兴的趋势是将持久同调(PH)整合到图神经网络(GNNs)中,以丰富其表达能力。然而,将 PH 特征简单地插入 GNN 层中总是导致边际改善且解释性不高。在本文中,我们研究了一种新颖的机制,利用 PH 将全局拓扑不变性注入到池化层中,这受到了 PH 中过滤操作自然地对齐图池化的观察的启发。这种方式下,粗化图中的消息传递沿着持久池化拓扑进行,从而提高了性能。在实验中,我们将这一机制应用于一系列图池化方法,并观察到在几个流行的数据集上一致且显著的性能提升,证明了其广泛适用性和灵活性。
Feb, 2024
本文介绍了一个综合性框架,用于描述图神经网络在任何拓扑特征上的拓扑感知能力,并研究了拓扑感知对图神经网络的泛化性能的影响。通过案例研究和实证结果,发现提高图神经网络的拓扑感知能力可能会在结构组之间造成不公平的泛化,同时展示了该框架在解决图主动学习中的冷启动问题上的实际适用性。
Mar, 2024
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
图分类是一项重要的图结构数据学习任务,我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN),利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法,能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中,TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。
Jan, 2024
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