【论文阅读-HGP-SL】Hierarchical Graph Pooling with Structure Learning

论文地址：https://arxiv.org/pdf/1911.05954
代码地址：https://github.com/cszhangzhen/HGP-SL
来源：WWW 2020

这篇论文提出了一种新的基于TopK的图池化操作符HGP-SL，它可以集成到各种图神经网络架构中。HGP-SL将图池和结构学习整合到一个统一的模块中，以生成图的层次表示。更具体地说，图池操作自适应地选择节点的子集，形成后续层的诱导子图。为了保持图的拓扑信息的完整性，进一步引入了一种结构学习机制，在每一层上学习一个优化的集合图结构。将HGP-SL算子与图神经网络相结合，以图分类任务为重点，进行图级表示学习。

模型体系结构

虚线框展示了HGP-SL的工作流程，包括图池和结构学习。学习的边在图中以虚线表示。这个过程(卷积和池操作)要重复几次。然后，对聚合节点表示应用一个读出函数来生成固定大小的表示，通过MLP层进行图分类。

卷积层

池化层

得分函数

能够由邻居节点重构得到的节点，所具有的信息较少，所以我们删除这些节点。这里，用了曼哈顿距离来衡量节点自身和重构得到的节点之间的距离，然后删除得分小的节点。

因为池操作可能会导致诱导子图中高度相关的节点断开连接，从而失去图结构信息的完整性，进一步阻碍消息传递过程。所以我们要学习一种新的S（包含结构信息）去替换A。这里用一种稀疏注意力机制去得到。

后面加的 A 使得原本就相连的节点之间的相似性更大。最后经过归一化后得到的S可以理解为两个节点相连的概率。
后面的邻接矩阵都用S来代替，则得分函数可以写为：

topK

保留得分较大的节点，删除得分小的节点，更新邻接矩阵。

Readout层

对于每一层池化后的结果，经过分别进行全局平均池化和最大池化操作，并进行concat操作后输出，来代表这一子图的embedding。

总结

利用重构的思想来修改得分函数。