简介:

在传统图像领域,encoder-decoder结构,比如U-nets已经在许多图像像素领域有着许多成功的应用。然而在图像领域,由于池化和反池化操作在图领域的实现并没有自然的实现,导致这样的结构并没有在图网络中应用。本文提出了一种在图结构上池化和反池化的操作,池化层可以根据节点在可训练投影向量上的标量投影值,自适应地选择节点,形成较小的图。反池化层可以把池化层生成的数据恢复成带位置信息的原始结构。

Graph Pooling Layer:

图池化,首先有节点特征X,邻接矩阵A,通过一个P向量来训练节点之间的位置关系,然后通过SIGMOD(y)+TOP-K来提取top-K特征,提取完之后,保存idex,从X,A提取特征和邻接矩阵。

clip_image001-1588664337461

Graph Unpooling Layer:

学习distribution,把pool过之后的KC矩阵,和选定的节点idx,恢复成原始的NC矩阵。

计算机生成了可选文字: X十1=distribute(ONxc,Xc,idx): (3)

只把选定位置的点设为kC的特征,NC的其他位置设为0