Ein nicht-negativer Faktorisierungsansatz zur Knotenpooling in Graph Convolutional Neural Networks

Der Artikel diskutiert einen Pooling-Mechanismus zur Induktion von Subsampling in graphenstrukturierten Daten und stellt ihn als Bestandteil eines Graphen-Convolutional Neural Networks (GCN) vor. Der Pooling-Mechanismus basiert auf der nichtnegativen Matrixfaktorisierung (Non-Negative Matrix Factorization, NMF) einer Matrix, die die Knotenanbindung und die Knotenähnlichkeit repräsentiert und adaptiv durch die durch das Modell gelernten Knoten-Embeddings gewonnen wird. Dieser Mechanismus wird eingesetzt, um schrittweise gröbere Graphen zu erzeugen, bei denen die Knoten basierend auf den Ergebnissen der nichtnegativen Faktorisierung adaptiv in Gemeinschaften (Communities) zusammengefasst werden. Die empirische Analyse an graphenklassifizierenden Benchmark-Daten zeigt, dass dieser Verfeinerungsprozess zu einer signifikanten Verbesserung der Vorhersageleistung des Modells im Vergleich zu seiner nicht-poolenden Variante führt.