返回主页

# MGAP: Masked graph auto-encoder constrained graph pooling [下载论文](http://10.22.148.149:9000/api/file/getAttach?fileId=64228f5e98819d104800008b) > MGAP: Masked graph auto-encoder constrained graph pooling > > Chuang Liu, Yibing Zhan, Xueqi Ma, Dapeng Tao, Bo Du, Wenbin Hu > > ECML-PKDD 2022 ## Abstract > 节点删除池化是一种重要的图池化类型，用于学习图级表示。然而，现有的节点删除池化模型仍然存在信息丢失问题，影响其在图分类中的有效性。为了减轻信息丢失的不利影响，我们提出了一种新颖灵活的技术，称为掩码图自编码器约束池化（MGAP），它使得普通的节点删除池化方法能够从节点属性和网络拓扑的角度保留足够有效的图信息。具体来说，MGAP 使用图卷积网络重构图的原始节点属性，并使用指数神经元的前馈神经网络处理图的节点度（即结构信息），从香草节点丢弃池模型生成的池化（掩码）图中。值得注意的是，MGAP 是一种即插即用的技术，可以直接应用于当前的节点丢弃池方法。为了评估 MGAP 的有效性，我们在 11 个真实数据集上进行了广泛的实验，将 MGAP 应用于三种常用方法，即 TopKPool、SAGPool 和 GSAPool。实验结果表明，MGAP 具有在图分类任务中持续提高三种节点删除池化模型性能的能力。 ## Method  主要思路：使用删除节点的池化操作来对节点进行 mask。 训练目标：图分类结构+重建 mask 节点特征+预测节点的度。 NDP 中使用的是 SAGPool  通过 GCN 得到每个节点的分数，然后通过 top k 选择 k 个节点，池化后节点的新特征为分数\*原来的节点特征。  ## Experiment  ## Summary 文章将删除节点池化理解成一种 mask 操作，进而设计了 MAE 的思路来强化图分类效果。