2022
Грибова В. В., Филаретов В. Ф., Li Z., Su H., Zhu X., Wei X., Jiang X., Huang D.
IEEE Transactions on Cognitive and Developmental Systems, Q2
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.
Статьи в журналах
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.