SSHPool: The Separated Subgraph-based Hierarchical Pooling

要約

この論文では、グラフ分類のための新しいローカル グラフ プーリング方法、つまり分離サブグラフベースの階層プーリング (SSHPool) を開発します。
まず、サンプル グラフのノードをさまざまなクラスターに割り当て、その結果、分離されたサブグラフのファミリーが作成されます。
ローカル グラフ畳み込みユニットをローカル構造として個別に使用して、各サブグラフを粗いノードにさらに圧縮し、元のグラフを粗いグラフに変換します。
これらのサブグラフは異なるクラスターによって分離されており、それらの間で構造情報を伝播することができないため、ローカル畳み込み演算により、ほとんどの既存のグラフ ニューラル ネットワーク (GNN) でエッジを通過するメッセージによって引き起こされる過度の平滑化問題を大幅に回避できます。
結果として得られる粗くなったグラフに対して提案された手順を階層的に実行することにより、提案された SSHPool は、元のグラフ構造の階層的なグローバル特徴を効果的に抽出し、豊富な固有の構造特性をカプセル化できます。
さらに、グラフ分類用の SSHPool モジュールに関連付けられたエンドツーエンドの GNN フレームワークを開発します。
実験結果は、現実世界のデータセットに対する提案されたモデルの優れたパフォーマンスを示しています。

要約(オリジナル)

In this paper, we develop a novel local graph pooling method, namely the Separated Subgraph-based Hierarchical Pooling (SSHPool), for graph classification. We commence by assigning the nodes of a sample graph into different clusters, resulting in a family of separated subgraphs. We individually employ the local graph convolution units as the local structure to further compress each subgraph into a coarsened node, transforming the original graph into a coarsened graph. Since these subgraphs are separated by different clusters and the structural information cannot be propagated between them, the local convolution operation can significantly avoid the over-smoothing problem caused by message passing through edges in most existing Graph Neural Networks (GNNs). By hierarchically performing the proposed procedures on the resulting coarsened graph, the proposed SSHPool can effectively extract the hierarchical global features of the original graph structure, encapsulating rich intrinsic structural characteristics. Furthermore, we develop an end-to-end GNN framework associated with the SSHPool module for graph classification. Experimental results demonstrate the superior performance of the proposed model on real-world datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google