图系列|三篇图层次化表示学习(Hierarchical GNN)：图分类以及节点分类

深度学习与图网络 2020-05-22

3199

1.IJCAI19 Hierarchical Graph Convolutional Networks for Semi-supervised Node Classification

https://arxiv.org/pdf/1902.06667.pdf

图卷积网络（GCN）已成功应用于网络挖掘的节点分类任务。但是，大多数基于邻域聚合的模型通常都很浅，并且缺少“图池”机制，这阻止了模型获得足够的全局信息。为了增加接收域，本文作者提出了一种用于半监督节点分类的深层图卷积网络（H-GCN）。H-GCN首先将结构相似的节点聚合到超节点，然后将粗化的图细化为原始图，以恢复每个节点的表示形式。所提出的粗化过程不仅会汇总一跳或两跳邻域信息，而且还会扩大每个节点的感受野，因此可以捕获更多的全局信息。本文提出的H-GCN模型在各种公共基准图数据集上显示出强大的经验性能，优于最新方法，并且在准确性方面可提高5.9％。此外，当仅提供少量标记的样本时，模型更好。

2.ICCV2019 AttPool: Towards Hierarchical Feature Representation in Graph Convolutional Networks via Attention Mechanism

http://openaccess.thecvf.com/content_ICCV_2019/papers/Huang_AttPool_Towards_Hierarchical_Feature_Representation_in_Graph_Convolutional_Networks_via_ICCV_2019_paper.pdf

图卷积网络（GCN）不能很好学习图的层次表示，这使它们无法在图分类任务上得到很好的表现。为了解决这个不足，作者提出了AttPool（一种基于关注机制的新型图形池模块）来解决该问题。它能够自适应地选择对图表示很重要的节点，并通过在节点中聚合注意力加权信息来生成层次特征。此外，本文设计了一种分层预测架构，以充分利用分层表示并促进模型学习。AttPool模块以及整个培训结构可以集成到现有的GCN中，并且可以方便地以端到端的方式进行培训。本文在不同规模的几个图分类基准数据集上的实验结果证明了该方法的有效性。

3. KDD19 Semi-Supervised Graph Classification: A Hierarchical Graph Perspective

http://www1.se.cuhk.edu.hk/~hccl/publications/pub/lijia_Semi-Supervised%20Graph%20.pdf

节点分类和图分类是两个图学习问题，它们分别预测节点的类标签和图的类标签。图的节点通常代表现实世界的实体，例如，社交网络中的用户或蛋白质-蛋白质相互作用网络中的蛋白质。作者在层次图中研究节点分类问题，其中“节点”是图实例，例如上述示例中的用户组。由于标签通常受限于现实世界的数据，因此作者通过谨慎/主动迭代（或简称SEAL-C AI）设计了两种新型的半监督解决方案，称为SEmi监督grAph cLassification。SEAL-C / AI采用了一种迭代框架，该框架轮流构建或更新两个分类器，一个分类器在图实例级别工作，另一个分类器在层次图级别。为了简化层次图的表示，论文提出了一种称为SAGE的新型有监督，自注意的图嵌入方法，该方法将任意大小的图实例嵌入到固定长度的向量中。通过对合成数据和腾讯QQ组数据进行的实验，证明SEAL-C / AI不仅在准确性/ Macro-F1方面明显优于竞争对手，而且对学习的表示形式也产生了有意义的解释。

上期内容

图专题|IJCAI2020两篇多层次/多视角相关的图神经网络GNN研究论文

数据库

文章转载自深度学习与图网络，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

图系列|三篇图层次化表示学习(Hierarchical GNN)：图分类以及节点分类

评论