该文介绍了一种通用的降维方法，可以降低样本和特征大小。该方法通过计算输入和嵌入样本之间的对应关系，使用半松弛的 Gromov-Wasserstein 最优输运问题。作者将该方法应用于可视化图像数据集，并强调了中间阶段将降维和聚类相结合以概括真实数据的重要性。

本研究开发了一种名为EHCPool的聚类图池化方法，用于提高GCNs的表示学习能力和获取异常脑图。EHCPool首次基于边特征提出了“边到节点”的评估准则来评估节点特征的重要性。该方法在多个脑成像数据集上取得了最先进的性能，通过迭代N-top策略和创新的N-E聚合策略。这是第一种从数据驱动角度探测不同类型异常功能性脑网络潜力的深度学习工具。