分层图池化：Hierarchical Graph Representation Learning with Differentiable Pooling

来源： KDD’18, 2018

论文： https://arxiv.org/abs/1806.08804

本文提出了一个层级池化的方法。在每一层，应用两个GNN，一个生成该层级的节点嵌入，一个将不同类别的节点聚类成不同的簇。这一层的输出即为下一层的输入。

1 问题与挑战

• 从节点嵌入到图嵌入的常用方法有：简单地汇总或平均最后一层中的所有节点嵌入，引入一个连接到图中所有节点的“虚拟节点”，或使用在集合上运行的深度学习体系结构聚合节点嵌入
• 问题：这些方法都是扁平（flat）的，即在图分类任务的时候，先为所有节点生成嵌入，然后将所有的节点一口气聚合为图嵌入。这种方法忽略了层级结构，但是在诸如有原子