ИАПУ ДВО РАН

Hierarchical Graph Pooling with Self-Adaptive Cluster Aggregation


2022

, Q2

Article

IEEE Transactions on Cognitive and Developmental Systems

USA. Piscataway: Institute of Electrical and Electronics Engineers Inc.

Li Z., Su H., Zhu X., Wei X., Jiang X., Gribova V., Filaretov V.F., Huang D. Hierarchical Graph Pooling with Self-Adaptive Cluster Aggregation // IEEE Transactions on Cognitive and Developmental Systems. 2022. Vol. 14, no. 3. Pp. 1198-1207. ISSN 2379-8920. DOI: 10.1109/TCDS.2021.3100883.

Графовая нейронная сеть (GNN) -глубокая нейронная сеть, представляющая данные в структуре графа. Он широко используется во многих областях, таких как прогнозирование трафика, системы рекомендаций и компьютерное зрение, что привлекло пристальное внимание академического сообщества. Большинство существующих исследований графовых нейронных сетей сосредоточено на свертке графов, в то время как объединение графов обычно игнорируется. Хотя существуют также некоторые методы объединения графов, большинство текущих методов объединения основаны на выборе узла top-k. В методе объединении, основанном на top-k, невыбранные узлы будут напрямую отброшены, что приведет к потере информации о функциях во время процесса объединения. В этой статье мы предлагаем новый оператор объединения графов, называемый иерархическим объединением графов с самоадаптивной кластерной агрегацией (HGP-SACA), который использует разреженный и дифференцируемый метод для захвата структуры графа. Перед использованием top-k для выбора кластера выбранные и невыбранные соседние кластеры выполняют агрегацию информации о функциях n-hop. Объединенные кластеры, содержащие соседние кластеры, используются для выбора верхнего уровня, что может улучшить функцию невыбранных кластеров. Благодаря обширному теоретическому анализу и экспериментальной проверке на нескольких наборах данных наши экспериментальные результаты показывают, что объединение существующей архитектуры GNN с HGP-SACA позволяет достичь самых современных результатов по нескольким критериям классификации графов, что доказывает эффективность нашей предлагаемой модели.

10.1109/TCDS.2021.3100883

https://doi.org/10.1109/TCDS.2021.3100883