Graph Convolutional Networks with EigenPooling 读书笔记。

Architecture

架构图

contribution

  • EigenPooling 可以总结子图信息，使得整图分类可以利用上子图结构细腻些
  • EigenPooling 的理论解释，局部和整图视角的解释
  • EigenGCN

具体实现

具体操作为两个GCN加一个Eigen池化层。
每个池化层将图上定义的图信号汇集到输入图的粗化版本上的图信号，该图由更少的节点组成。
因此，池化层包含两个部分：

  • 图简化(graph coarsening)
  • 图信号转化(graph signal transform)

基于图划分的图简化

给定无重叠的子图划分，将每个子图转化为一个高级节点（简化后的图上的一个节点），并且通过跨子图的边确定高级节点之间的连通性。

基于特征的池化 Eigenvector-Based Pooling

因为图傅立叶变换可以将图心寒转化到谱域（spectral domain）并且考虑到图结构和图信号信息。
所以池化操作采用了图傅立叶变换来进行。

总结

本文研究图级别的表示学习，并且面向图分类任务。