.png){kind=icon}
返回
SparsePool: A Graph Pooling Framework via Sparse Representation for Graph Classification
.png){kind=icon}
OA
AI
DOI：10.3390/s26092627.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络(GNNs)在图分类中取得了巨大成功，图池化方法被广泛应用于相关任务。现有方法通常依赖节点排序或聚类来粗化图，但往往未能有效利用全局结构信息，导致关键子结构丢失和可解释性受限——这是分子分析和社交网络挖掘中的关键局限性。为解决这些问题，我们提出了SparsePool，一种通过原子分解整合节点特征和结构模式的图池化方法。通过借助布尔矩阵分解动态将图分解为可解释的原子单元，SparsePool在保留语义上有意义的子结构的同时，提供了保留模式的透明证据。我们进一步引入了原子池化神经网络(APNN)用于图表示学习。在包括生物化学和社交网络数据集的相关基准测试中的广泛实验表明，SparsePool优于当前最先进的池化方法，在保持模型基准准确率提升1.03%的同时减少了结构信息损失。我们还讨论了其与新兴量子计算范式（如量子加速稀疏分解）的兼容性，作为在工业背景下扩展图处理的有前景方向。
Keyword:
graph neural networks
quantum computing
graph classification
sparse representation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
CommPOOL: An interpretable graph pooling framework for hierarchical graph representation learningCommPOOL: 用于分层图表示学习的可解释图池框架.png)
NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏
查看更多内容