欢迎来到小邵的博客！

（内含minCUT Pool代码实现）《Spectral Clustering with Graph Neural Networks for Graph Pooling》作者在本文中提出了一种可以在样本外的图上快速评估的聚类函数。根据所提出的聚类方法，作者设计了一个图池算子minCUT，并在有监督和无监督任务上都取得了极佳的性能。通俗来讲，作者提出的基于GNN的实现是可微分的，不需要计算频谱分解，并且学习了一个可以在样本外图上快速评估的聚类函数。

本文主要是对以链路预测和社区检测作为代表的学习+优化组合的任务进行实现。在下文实现的代码中，我们的目的是，通过只知道的40%的边来预测出完整的图（链路预测）并进行优化任务（社区检测）。在实际问题中，两个问题往往是结合在一起的。比如，我们往往会对输入先进行链路预测，然后再对预测完复原的图进行社区检测的任务。这种分两阶段的方法模型一方面会大大提高实现的复杂性，同时无法保证链路预测对社区检测的目标（分别代表学习和优化两个任务）是否起到有效帮助。

2019年《End to end learning and optimization on graph》在之前的传统方法中，往往是先对对图的学习问题进行解决，再进行优化。在实际应用中，图的学习和优化问题常常是结合在一起，比如图或相关属性往往只是部分观察到，引入了一些学习问题，如链接预测，必须在优化之前解决。文章作者提出了一种端到端的方法，将学习问题和优化问题结合到了一起，**将优化问题作为学习任务的一层，运用下游的优化误差反过来传递到学习的任务上，这允许模型特别关注下游任务，它的预测将用于该任务。