ENADPool: 边缘节点注意力差分池化的图神经网络
内容提要
本文介绍了多种图池化方法，如DiffPool、EdgePool和EHCPool，旨在提升图神经网络（GNN）的分类性能。实验结果表明，这些方法在多个基准数据集上均优于现有技术，提高了图分类的准确性和效率。
延伸解读
图池化方法演进：从层次化到边感知
文章梳理了图池化方法的发展脉络：DiffPool（2018）通过生成层次化图表示提升分类准确性5-10%；EdgePool（2019）利用边缩减学习局部硬池化；EHCPool（2023）则基于边特征提出“边到节点”评估准则，并设计迭代N-top和N-E聚合策略。这些方法逐步从节点聚类转向边信息利用，反映了图池化对结构信息挖掘的深化。
效率与性能的权衡：NDP与注意力机制
Node Decimation Pooling（NDP）通过节点削减、Kron reduction和稀疏化生成粗糙图，在保持拓扑结构的同时提升效率，实验表明其性能与现有池化算子相当但更高效。而基于自注意力的图池化方法（2019）同时考虑节点特征和图拓扑，在基准数据集上表现优异。两者分别从效率和表达能力切入，为不同场景提供选择。
应用拓展：从脑网络到通用图分类
EHCPool在多个脑成像公共数据集上取得最先进性能，并成为首个从数据驱动角度探测异常功能性脑网络的深度学习工具。此外，复合拓扑池化层在11个基准数据集上超越18个基线模型，GrePool在分类准确度上优于14个基线方法。这些成果显示图池化技术正从通用图分类向特定领域（如脑科学）渗透，并持续刷新性能上限。
Q&A
DiffPool模型的主要优势是什么？
DiffPool模型能够生成层次化的图表示，结合GNN提高图分类准确性5-10%。
EdgePool是如何提升图分类性能的？
EdgePool利用边缩减概念，学习局部和稀疏的硬池化转换，从而提高节点和图的分类性能。
EHCPool的创新之处是什么？
EHCPool基于边特征提出了'边到节点'的评估准则，增强了GCN的表示学习能力。
Node Decimation Pooling (NDP)的工作流程是怎样的？
NDP通过节点削减、Kron reduction和稀疏化过程生成粗糙图，保持整体拓扑结构。
双注意力图卷积网络解决了哪些问题？
双注意力图卷积网络解决了图分类任务中的邻域汇聚和池化操作问题，实验结果优于其他基线模型。
GrePool方法的主要贡献是什么？
GrePool通过利用节点关系解决图汇聚中的关键问题，分类准确度优于14个基线方法。
