ENADPool: 边缘节点注意力差分池化的图神经网络
原文中文，约400字，阅读约需1分钟。发表于：。本文提出了一种名为 Edge-Node Attention-based Differentiable Pooling (ENADPool) 的新层次池化操作，用于学习有效的图表示，同时还提出了与 ENADPool 操作相关的多距离 GNN (MD-GNN) 模型，以解决传统层次池化操作中存在的问题。
这项研究开发了一种名为EHCPool的聚类图池化方法，用于提高GCNs的表示学习能力，并获取异常脑图。该方法在多个脑成像公共数据集上取得了最先进的性能。
