跳到正文
arXiv · ML· Luca Sbicego, Xiaowen Dong, Dorina Thanou·· 9 天前AI 评分42

Pooled-Substructure-Aware GNNs 通过保留池化子结构提升图神经网络表达能力

Hierarchical Graph Representation Learning with Pooling-Induced Substructures

AI 导读

Pooled-Substructure-Aware GNNs 提出一种显式保留池化子结构的图池化方法,在具备层级结构的任务上优于基线模型。 该方法增强了基于池化的 GNN 在 Weisfeiler-Lehman 测试意义下的表达能力,并引入了两个新合成数据集及衡量层级模式普遍性的指标,代码和数据集已公开。

来源:arXiv · ML · arxiv.org