图神经网络论文阅读(十一) Hierarchical Graph Convolutional Networks for Semi-supervised，IJCAI2019

本文作者来自中科大。
基于邻域聚集的模型大多比较浅，缺乏图池机制，使得模型无法获得足够的全局信息。为了增加接收域，我们提出了一种新的半监督节点分类的深度层次图卷积网络（Hierarchical Graph Convolutional Network (H-GCN)）。H-GCN首先将结构上相似的节点重复聚合为超节点，然后将粗化后的图细化为原始图，恢复每个节点的表示。所提出的粗化过程扩大了每个节点的接受域，从而可以捕获更多的全局信息，而不是仅仅聚合一跳或两跳的邻域信息。本文的方法其实就是图Encoder-Decoder的过程，并且与U-Net十分相似，因此略读。

Model

直接看模型。图中有七个层，其中三个粗化层（绿色）、三个对称的细化层（橘黄色）和一个输出层（黄色）。蓝色的层代表不同的GCN卷积，以获取多通道的特征，粗化与细化是相对应的，并且相对应的粗化细化层的图的大小保持一致，并使用shortcut connection（就理解为残差吧）连接。图粗化层和细化层将不同层次的节点特征集成在一起，从而避免了重复邻域聚合过程中的过度平滑。

图规约主要有两类方法:图采样和图粗化。采样会造成特征的丢失，因此池化操作