图池化的相关工作

GNNs:

Graph Neural Networks通过不断聚合邻居节点以获得更为精准的节点表征，其被广泛一种用于处理结构数据。（3种GNNs)目前GNNS在节点分类任务以及链路预测任务上取得了非常好的成绩，但是无法仅仅根据GNNs来得到精确的graph表征。图分类任务是根据结构信息和特征信息学习得到精细的graph 表征，然后根据学出的graph 表征进行分类的一种任务。为了得到全图表征并且进行图分类，以往的一些算法通过直接取高层节点特征值的加和、平均、最大的方式生成全局特征。这样的方式对等的对待所有节点，并且没有考虑任务相关性，所以得到的表征不够精确。进来一些学者提出了进阶方法法，用高层节点特征的二阶统计矩作为graph表征，这样的方式依然没有考虑到对于分类结果非常重要的层次化特征，例如在分子图中，有一堆原子组成的功能组。因此，为了学习更精准的graph表征以更好地进行图分类，一些层次池化方法被提出。

层次图池化算法：

层次图池化算法分为两类：1、node clustering类型。DiffPooling在每层用单独的GNNs学习低层节点到cluster的 cluster assignment matrix，之后将生成的cluster作为高层的节点，一般将cluster的数量设置得比上层节点数量更少以达到池化得目的。更多的node clustering方法是在其上的改进版本，但是万变不离其宗。2、node select类型。TopK方法给每个节点一个评分，选出评分较高的节点作为高层graph中的节点。node select方法主要研究点在于找到更好的节点评分机制。