GTPool: Graph Transformer Pooling With Diverse Sampling

Gaichao Li

doi:10.1109/TBDATA.2025.3588080

GTPool: Graph Transformer Pooling With Diverse Sampling

2025-07-10

0

PRE

AI

DOI：10.1109/TBDATA.2025.3588080

原文链接

原文求助

摘要

En 中文

图池化技术已作为下采样图的有力工具涌现，在图分类和生成等不同图级任务上取得了显著成果。节点丢弃池化在该领域中脱颖而出，利用可学习的评分函数来丢弃相对不重要的节点。然而，以往的节点丢弃方法存在两个关键局限性：(1) 它们往往难以有效捕捉每个池化节点的长距离依赖关系，可能限制节点表示的表达能力。(2) 通过仅保留最高评分节点，它们倾向于保留相似节点，从而丢弃低评分节点中包含的有价值信息；为解决这些问题，我们提出了一种新颖的图Transformer池化方法，即GTPool。GTPool基于Transformer架构构建节点丢弃池化层，旨在高效捕捉长距离成对交互的同时促进多样化采样。GTPool的关键组件是其评分模块，基于自注意力机制，评估节点表示与图表示之间的相关性。这种细致的方法提供了更自然的节点重要性衡量方式。此外，GTPool采用轮盘赌采样（RWS），一种能够保留不同评分区间节点的多样化采样方法，而非仅关注高评分节点。因此，GTPool能够有效捕捉长距离信息并识别更具代表性的节点，从而在14个基准数据集上优于现有的流行图池化方法。

Keyword:

Graph pooling

graph transformer

node dropping pooling

diverse node sampling

hierarchical pooling

GTPool: Graph Transformer Pooling With Diverse Sampling

摘要

期刊

机构

引用论文