关于diffpool的读书笔记。

Architecture

架构
池化操作主要分为两步:

  • 使用 GNN 获得节点的特征
  • 聚类获得池化后的池化网络

具体实现

使用分配矩阵来进行池化操作

池化公式

通过学习获得分配矩阵

分配矩阵计算公式
需要注意到是,上述公式中使用的 GNN 输入相同的数据但是具有不同参数和起到不同作用:

  • 嵌入GNN生成节点特征
  • 池化GNN生成输入节点到 {n_{l+1}} 个集群的分配概率

排列不变性

请注意,为了对图分类有用,池化层在节点排列下应该是不变的。 对于 DIFFPOOL,我们得到以下肯定结果,这表明任何基于 DIFFPOOL 的深度 GNN 模型都是置换不变的,只要组件 GNN 是置换不变的。

辅助链接预测目标和熵正则化

在训练早期,存在非凸优化问题,在训练早期很难将池化 GNN 推离虚假的局部最小值。

为了缓解这个问题,我们使用辅助链接预测目标来训练池化 GNN,该目标编码了附近节点应该被池化在一起的直觉。