摘要

我们研究了图数据的表示学习问题。卷积神经网络可以自然地应用于图像，但在处理图数据时面临显著挑战。鉴于图像是节点位于二维晶格上的特殊图结构，图嵌入任务与图像像素级预测任务（如分割）具有天然的对应关系。尽管编码器-解码器架构（如U-Net）在许多图像像素级预测任务中取得了成功，但类似的图数据方法尚付阙如。这主要是因为池化和上采样操作在图数据上并不自然。为了解决这些挑战，我们在本工作中提出了新颖的图池化（gPool）和反池化（gUnpool）操作。gPool层通过可训练投影向量对节点进行标量投影，并根据投影值自适应地选择一些节点以形成较小的图。我们进一步提出了gUnpool层作为gPool层的逆操作。gUnpool层利用在相应gPool层中选择的节点的位置信息，将图恢复为其原始结构。基于我们提出的gPool和gUnpool层，我们开发了一种适用于图数据的编码器-解码器模型，即图U-Net。我们的实验结果表明，在节点分类和图分类任务中，我们的方法比先前模型表现出更加一致的优越性能。