关于图卷积神经网络池化方法论文 “Graph U-Nets” 的读书笔记。

图池化

图嵌入任务和图片像素级预测有着天然的对应关系，现在在图像识别领域，已经有像 U-Nets 成熟的编码解码器可以完成图像分类任务，但是在图数据上还没有相关的研究。
所以提出作者提出一种新型的图像池化（gPool）方法和图像上池化（gUnpool）方法。

gPool - 编码器

gPool

  1. 使用可训练的投影向量 p，将所有的点投影到 1d 上，获得投影向量 y
  2. 池化选取 y 中前 k 个
  3. 根据 2 中选取的 k 个节点，获取池化后子图所需要的特征矩阵、邻接矩阵

gUnpool - 解码器

gPool
在进行 gPooling 操作时需要记录选择的点的位置信息并利用这些信息将点放回原始位置

Graph U-Nets 架构

gPool