Jun, 2023

几何汇合：保留更多有用的信息

PDF
TL;DR提出了一种新的汇聚技术，称为几何汇聚（GP），通过测量所有节点特征的相似性，并保留具有负值节点特征的独特信息，进而从熵降低的角度揭示了 GP 的有效性。在 TU 数据集上的实验显示，该提议的 GP 具有比 SOTA 图汇聚技术更小的参数，同时优于其 1% 到 5%。
graph poolingsorting poolinggeometric poolingnode featurestudatasets
发现论文，激发创造
  • 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

  • 基于结构特征的图自适应池化

    我们提出了一种新颖的自适应图池化方法，它通过同时考虑图的结构和特征信息来构建合理的池化图拓扑，从而提高节点选择的准确性和客观性；并在丢弃无关节点之前聚合节点特征信息，以使选定的节点包含来自邻居节点的信息，从而增强未被选定节点的特征利用。实验结果表明，我们的方法在图分类方面有效，胜过现有最先进的图池化方法。

    Jan, 2020

  • 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

  • 图神经网络的高阶聚类和池化

    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

  • 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

  • 基于拓扑感知的图池化网络

    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

  • 基于分组矩阵的图池化与自适应聚类数

    GMPool 是一种新颖的可微的图池化架构，可以自动确定基于输入数据的适当聚类数，通过计算分组矩阵并分解它来获得池化算子，从而在分子属性预测任务中优于传统方法。

    Sep, 2022

  • 图神经网络的二阶池化

    本论文提出使用二阶汇集技术作为图聚合技术，结合双线性映射和注意力机制的二阶汇集方法性能优越，在图分类任务中取得了显著的表现提升。

    Jul, 2020

  • 基于多样化节点采样的分层 Transformer 汇聚用于图表示学习

    我们提出了一种名为 GTPool 的图形变换汇聚方法，它引入了变换器来进行节点丢弃汇聚，以有效地捕获长程成对交互并同时进行多样化节点抽样。与现有方法相比，GTPool 在 11 个基准数据集上的广泛实验证明了其优越性。

    Oct, 2023

  • 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