14、MPool：基于 motif 的图池化方法

MPool：基于 motif 的图池化方法

1. 引言

近年来，图神经网络（GNNs）已成为处理各种图相关任务的强大技术。通过沿边进行消息传播，一些 GNN 模型学习节点级表示用于节点分类，而另一些则学习图级表示用于图分类。图分类是通过考虑节点特征和图结构来预测图标签的任务。受卷积神经网络中池化层的启发，图池化方法被用于减少节点和边的数量，以分层方式捕获图在图表示中的局部和全局结构信息。

文献中主要有两种类型的分层图池化方法：基于聚类的方法和基于选择的方法。基于聚类的方法使用聚类分配矩阵将相似节点合并为超级节点；基于选择的方法为每个节点计算一个表示其重要性的分数，并根据分数选择前 k 个节点，同时从图中丢弃其他节点。这些方法主要依赖基于一跳邻域的图卷积网络（GCNs）来计算聚类分配矩阵或节点分数。

然而，这些模型存在一些局限性。基于选择的模型主要关注保留节点的局部结构，而基于聚类的方法主要关注图的全局结构。此外，基于选择的模型可能会因仅选择部分节点而丢失信息，基于聚类的模型可能会包含一些冗余信息，包括噪声和过度平滑。而且，当前方法在池化过程中未能纳入图的高阶结构。

为了解决这些问题，本文提出了一种多通道的基于 motif 的图池化方法（MPool），该方法通过 motif 捕获图的高阶结构，并通过结合基于选择和基于聚类的池化操作来考虑图的局部和全局结构。

2. 相关工作

• 图池化 ：
  • 基于聚类的池化方法 ：如 DiffPool 使用图神经网络计算聚类分配矩阵，MinCutPool 使用多标签感知器计算聚类分配矩