基于层次图表示学习的可微池化方法

近年来，图神经网络（GNNs）通过有效地学习节点嵌入，彻底革新了图表示学习领域，并在节点分类和链接预测等任务中取得了最先进的成果。然而，当前的GNN方法本质上是扁平的，无法学习图的层次表示——这一局限性在图分类任务中尤为突出，因为该任务的目标是预测整个图所关联的标签。本文提出了一种可微分的图池化模块DiffPool，它可以生成图的层次表示，并可以以端到端的方式与各种图神经网络架构结合使用。DiffPool在深度GNN的每一层学习一个可微分的软聚类分配，将节点映射到一组聚类中，这些聚类随后作为下一层GNN的粗化输入。实验结果表明，将现有的GNN方法与DiffPool结合使用，在图分类基准测试中的平均准确率提高了5-10%，相比所有现有的池化方法，在五个基准数据集中有四个达到了新的最先进水平。