LGRPool: Hierarchical Graph Pooling Via Local-Global Regularisation

要約

階層グラフプーリング（HGP）は、従来のグラフニューラルネットワーク（GNN）が本質的にフラットであり、マルチスケールではないという事実を考慮するように設計されています。
ただし、ほとんどのHGPメソッドは、グラフのグローバルトポロジーを考慮し、機能学習の側面に焦点を当てているだけでなく、グラフをマルチスケールの方法で本質的に分析する必要があるため、ローカルおよびグローバルな機能に焦点を合わせていません。
LGRPOOLは、本書では、正規者を使用してメッセージのローカルおよびグローバルな側面を互いに通過させる機械学習における期待の最大化の枠組みのHGPとして提案されています。
いくつかのグラフ分類ベンチマークでの実験結果は、いくつかのベースラインをわずかに上回ることを示しています。

要約(オリジナル)

Hierarchical graph pooling(HGP) are designed to consider the fact that conventional graph neural networks(GNN) are inherently flat and are also not multiscale. However, most HGP methods suffer not only from lack of considering global topology of the graph and focusing on the feature learning aspect, but also they do not align local and global features since graphs should inherently be analyzed in a multiscale way. LGRPool is proposed in the present paper as a HGP in the framework of expectation maximization in machine learning that aligns local and global aspects of message passing with each other using a regularizer to force the global topological information to be inline with the local message passing at different scales through the representations at different layers of HGP. Experimental results on some graph classification benchmarks show that it slightly outperforms some baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google