基于结构学习的层次化图池化

图神经网络（Graph Neural Networks, GNNs）作为深度神经网络在图结构数据上的推广，在众多图相关任务中取得了最先进的性能，受到了广泛关注。然而，现有的GNN模型主要集中在图卷积操作的设计上，而对在学习层次化表示中起关键作用的图池化（或下采样）操作却往往被忽视。本文提出了一种新型的图池化算子——基于结构学习的层次化图池化（Hierarchical Graph Pooling with Structure Learning, HGP-SL），该算子可灵活集成于多种图神经网络架构中。HGP-SL将图池化与结构学习统一整合为一个模块，以生成图的层次化表示。具体而言，图池化操作会自适应地选择一组节点，构成后续层所用的诱导子图；为保持图拓扑结构信息的完整性，我们进一步引入结构学习机制，在每一层对池化后的图学习一个优化的图结构。通过将HGP-SL算子与图神经网络相结合，我们实现了面向图分类任务的图级别表示学习。在六个广泛使用的基准数据集上的实验结果表明，所提出的模型具有显著的有效性。