1、介绍graph classification是学习graph到标签的映射,图分类中的重点应用场景有,化学分子性质判断以及社交网络的性质判断。
2、以往的图分类方法是先用gcn聚合节点信息,然后将所有节点相加得到graph特征, 没有考虑到诸如化学分子中原子构成的功能组这类型的结构信息。
3、层次池化方法每层通过减少graph中的节点信息,使得模型考虑到更多的局部信息。
4、graph coarsen方法通过多个参数化向量与特征的点积相似性生成簇分配矩阵,将低层节点group成少量高层节点。虽然高层图中节点数量减少,但是每个高层节点中包含了所有低层局部节点信息,不能真正意义上捕获结构信息。同时其也不适用于大图。
5、topk方法通过参数化向量给节点评分,删除评分低的节点。虽然空间复杂度低,但是删除节点的过程会损失很多信息,并且由于其不能够删除到只剩下一个节点,因此在高层仍然需要全局池化生成graph特征。
6、提出居于动态路由的子图选择局部池化:用动态路由算法,让节点归属于附近更合适的cluster,并且根据cluster内节点的匹配程度删除不重要的cluster。本质是基于特征相似性自适应地聚合成k个cluster。能够捕捉局部结构,并且不会损失太多信息。
7、基于胶囊网络和结构信息的全局图池化:在多个空间中生成对应于类别数量的全局表征,并且在每个空间中,根据结构重要性(节点度数)作为初始路由系数指导节点路由,产生更好的graph 特征。
网友评论