本文提出了一种多图学习网络（graph cross network，GXN），从图的多个尺度进行全面的特征学习。框架图如下所示：

GXN实现了一种可微分，可学习的多层次表示网络，GXN允许跨比例交换中间特征以促进信息流。GXN的设计包含了两个关键的要素：一个是顶点信息最大合并（vertex infomax pooling，VIPool）和一个是不同sacle特征交互学习，后者可以以可训练的方式学习多尺度图，并且可以进行跨尺度交换特征。

本文提出的VIPool根据顶点特征和邻域特征之间互信息来选择信息量最大的顶点集。直观理解是，当一个顶点可以最大程度地反映其邻近信息时，它才是具有信息性的。本文中的特征穿越层将两个尺度之间的中间特征融合在一起，以通过改善信息流和丰富隐藏层的多尺度特征来相互增强。GXN这种特征交互方式是与许多其他多尺度模型的主要不同之处。实验结果表明，提出的GXN分别将图分类和顶点分类分别提高了1.96％和1.15％。

感兴趣的可以戳原文。

内容中包含的图片若涉及版权问题，请及时与我们联系删除