并非所有边都是对等的：准确的结构感知图池网络(下)

1. 文章信息

作者

Hualei Yu, Jinliang Yuan, Yirong Yao, & Chongjun Wang (2022).

单位

National Key Laboratory for Novel Software Technology, Nanjing University,

期刊或会议

Neural Networks,

题目

Contents lists available at ScienceDirect

2. BGC

背景

图神经网络 (GNN) 在图相关任务中取得了最先进的性能。对于图分类任务，精心设计的池化算子对于学习图级表示至关重要。大多数源自现有 GNN 的池化算子通过对节点进行排序并选择一些排名靠前的节点来生成粗图。然而，这些方法未能探索图中节点以外的基本元素，这可能无法有效地利用结构信息。此外，所有连接到低排名节点的边都被丢弃，这破坏了图的连通性并丢失了信息。此外，所选节点倾向于集中在某些子结构上，而忽略其他子结构中的信息。

目的

作者提出了一种新的池化算子，称为精确结构感知图池化 (ASPool)，它可以集成到各种 GNN 中以学习图级表示。具体来说，ASPool 自适应地保留边的子集来校准图结构并学习抽象表示，其中所有边都被视为非对等点，而不是简单地连接节点。为了保持图的连通性，我们进一步介绍了考虑排名靠前的节点和丢弃边的选择策略。此外，ASPool 执行两阶段计算过程，以保证采样节点分布在整个图中。

结论

在 9 个广泛使用的基准上的实验结果表明，与最先进的图形表示学习方法相比，ASPool 实现了卓越的性能。

3. 创新点

方法

通过新增加一个ASpools给边打分，将边分为要带入计算的permedges和预留下来等到最后计算的retainedges。对于上述的问题，文章中给出了详细的数学公式。

理论

具体查看并非所有边都是对等的：准确的结构感知图池网络(上)

应用

通过增加这个池化层，模型的准确率上有了显著的提高具体看图表

4. 文章好在哪里

创新点

1. 引入了一种新颖的图池化算子 ASPool，以从“节点”和“边”的角度执行分层图表示学习，并且可以轻松集成到现有的 GNN 中。
2. 据我们所知，我们是第一个提出不输入图中的所有边都是对等的，并在池化过程中区分和利用这些边，而不是直接删除一些边。

增加一个池化，用来将原来模型忽略的边，再次拿来挖掘信息（应该属于是把数据集中的信息挖掘的更好，得到了更多有用的信息）

图片

这个图片，还真心不怎么样，但是人家发了一区，所以不要觉得自己的图片不行，其实重点还是内容牛。

( ఠൠఠ )ﾉ

逻辑

文章的逻辑还是不错的，整体来说还是一环套一环，而且基本上都能有理论对其论点进行支撑。文章结构也是不错的，这点值得我学习。

5. 核心步骤

思路

1. 具体来说，ASPool首先自适应地保留一个边的子集来校准输入图的结构，以区分每个边的作用。
2. 利用改进的聚类结构，根据所定义的聚类生成策略，获取图中的局部聚类信息。
3. ASPool执行两个阶段的计算过程来指导节点选择过程，以保证抽样的节点分布在整个图中。

优点：第四章给出的用数学表达式推导的消息传递，真心不错

图表

感觉只要是效果拔群，这些图片啥的都是浮云