.png){kind=icon}
返回
Graph Pyramid Pooling Transformer for Graph-Level Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/tbdata.2026.3689004.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNN）是一种强大的图表示学习技术，擅长捕捉短程节点之间的关系。GNN的感受野受限，使得捕捉长程节点间的依赖关系具有挑战性。同时，简单增加GNN的深度和宽度不足以扩展其感受野，并可能导致过平滑和过挤压等问题。本文提出了图金字塔池化Transformer（GPPTrans），一种新颖的架构，利用金字塔池化来减少节点序列长度并提取多尺度信息。图金字塔池化模块由不同池化比率的图池化操作组成，能够捕捉多尺度层次特征。通过结合基础GNN层与图金字塔池化Transformer，我们的混合结构有效捕捉了短程和长程依赖关系。大量实验表明，GPPTrans优于之前的GNN和图Transformer方法，在各种图级任务上取得了最先进的结果。
Keyword:
Graph neural network
graph transformer
graph pyramid pooling
期刊
I
IF:
5.7
论文数:
892
被引数:
3.0K
机构
引用论文
LUO Y, SHI L, WU X-M. Classic gnns are strong baselines: Reassessing gnns for node classification [J]. Advances in Neural Information Processing Systems, 2024, 37: 97650-69. doi: 10.48550/arXiv.2406.08993.LUO Y, SHI L, WU X-M. 经典图神经网络是强大的基线：重新评估图神经网络在节点分类中的应用 [J]. 神经信息处理系统进展, 2024, 37: 97650-69. doi: 10.48550/arXiv.2406.08993..png)
IF0
PREAI
分享收藏分享收藏Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition用于视觉识别的深度卷积网络中的空间金字塔池化
OAAI
OAAI分享收藏
查看更多内容