ENADPool: 边缘节点注意力差分池化的图神经网络
原文中文，约1400字，阅读约需4分钟。
📝
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。
❓
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。
🏷️
