图形概率聚合:从伯努利到波桑分布

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 图形神经网络的神经网络

背景情况:

• 在深度图表表示学习中,图表聚合对于增强受体场和降低计算成本至关重要.
• 现有的方法通常依赖于确定性选择或随机丢弃,这可能会限制灵活性和性能.

研究的目的:

• 为改进图形特征学习提出一个简单但有效的图形概率聚合 (GP-Pool) 框架.
• 开发新的聚合策略,以捕捉突出的子结构和全球拓.

主要方法:

• 开发了一个概率子图采样方法,使用变量边界来实现预期分布.
• 通过可学习的参考集引入了伯努利图集 (BernPool) 用于采样节点和局部结构.
• 为了可控制的节点数量,衍生了Poisson分布式聚合 (PoissonPool),并提出了一种混合图形聚合 (HGP) 方法,将采样和聚类结合起来.

主要成果:

• 由于其非决定性性质,BernPool捕获了突出的图形子结构,并采用了多样化的节点采样.
• PoissonPool提供了对节点数量的明确控制,使用较少的变化学习变量.
• 提出的HGP范式有效地结合了子图的紧性和图的粗化,保留了代表性的子结构和全球拓.

结论:

• 与各种图形聚合方法相比,GP-Pool框架显示出更高的性能.
• 在多个公共图形分类数据集上,GP-Pool 取得了最先进的结果.
• 在深度图形学习中,概率方法为确定性或随机聚合提供了更有效和更灵活的替代方案.