Pooling de Graph Neural Networks : une approche dense mais adaptative
Résumé
Graph Neural Networks can process complex, massive and unstructured data which form large graphs. To process these complex data, several pooling methods that reduce their size while preserving essential information have been proposed. Current pooling methods either group nodes into a fixed number of nodes or remove an adaptive number of nodes. In this article, we propose SpaPool, an adaptive pooling method that groups nodes. This method demonstrates competitive performance compared to existing techniques and excels particularly on small-scale graphs.
Les réseaux de neurones en graphes (GNN) traitent des données complexes, massives et non structurées formant des graphes volumineux. Différentes méthodes de pooling ont été proposées, permettant de réduire ces graphes, tout en préservant les informations essentielles, soit en regroupant de manière fixe des noeuds, soit en supprimant un nombre adaptatif de noeuds. Cet article propose SpaPool, une méthode adaptative regroupant les noeuds d'un graphe. Les résultats de celle-ci se sont avérés équivalents aux méthodes existantes, voire supérieurs pour les petits graphes.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |