【CMU】图卷积神经网络中的池化综述，Pooling in Graph Convolutional Neural Network
关注上方“深度学习技术前沿”，选择“星标公众号”，
资源干货，第一时间送达！
图卷积神经网络(GCNNs)是深度学习技术在图结构数据问题上的一种强大的扩展。我们对GCNNs的几种池方法进行了实证评估，并将这些图池化方法与三种不同架构(GCN、TAGCN和GraphSAGE)进行了组合。我们证实，图池化，特别是DiffPool，提高了流行的图分类数据集的分类精度，并发现，平均而言，TAGCN达到了可比或更好的精度比GCN和GraphSAGE，特别是对数据集较大和稀疏的图结构。
论文链接：https://arxiv.org/abs/2004.03519
推荐阅读：
重磅！计算机视觉交流群已成立！
欢迎各位Cver加入计算机视觉微信交流大群，本群旨在交流图像分类、目标检测、点云/语义分割、目标跟踪、机器视觉、GAN、超分辨率、人脸检测与识别、动作行为/时空/光流/姿态/运动、模型压缩/量化/剪枝、NAS、迁移学习、人体姿态估计等内容。更有真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、行业技术交流等，欢迎加群交流学习！
进群请备注：研究方向+地点+学校/公司+昵称（如图像分类+上海+上交+小明）
广告商、博主请绕道！
???? 长按识别，即可进群！