摘要

图上的表示学习在众多模式识别任务中发挥着关键作用。与网格形状的图像/视频不同，后者可以使用局部卷积核作为晶格，而图在顶点和边上是完全无坐标的。在这项工作中，我们提出了一种高斯诱导卷积（Gaussian-induced Convolution, GIC）框架，用于在不规则图上进行局部卷积滤波。具体而言，设计了一种基于边的高斯混合模型，通过将边信息整合到加权高斯模型中来编码子图区域的变化，每个加权高斯模型隐式地表征了子图变化的一个组成部分。为了粗化图，我们推导出一种基于顶点的高斯混合模型，根据边的连接动态聚类顶点，这近似等价于加权图割。我们在几个公开的图分类数据集上进行了多层图卷积网络实验。广泛的实验结果表明，我们的GIC方法是有效的，并且能够达到最先进的性能。