基于边的图组件池化
本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的GCN卷积层结合形成用于图分类的图神经网络框架m，实验结果表明该框架具有良好的效果。
Apr, 2019
本研究提出了一种名为EdgePool的图池化层，利用边缩减的概念来学习局部和稀疏的硬池化转换，证明EdgePool优于其他池化方法，并且易于集成到大多数GNN模型中，提高了节点和图的分类性能。
May, 2019
本文提出了Node Decimation Pooling (NDP)，这是一种用于GNN的池算子，能够生成更粗糙的图，同时保持整体图拓扑结构，通过三个步骤：节点削减，Kron reduction，和稀疏化过程生成 coarsened graphs。实验结果表明，与现有的图池化运算符相比，NDP在图分类任务上表现出相当的性能，但更加高效。
Oct, 2019
本文提出了一种新的Hierarchical Graph Pooling with Structure Learning (HGP-SL)图池化算子来生成图结构的分层表示，并将其与图神经网络相结合，专注于图分类任务。通过实验结果表明，这种方法在六个广泛应用的基准测试中均取得了良好的效果。
Nov, 2019
本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致GNN在相关且广泛使用的基准测试中获得成功的原因。
Oct, 2020
提出了 HoscPool，一种基于聚类的图池算子以及它的聚类组件，通过最小化松弛的基元谱聚类来学习概率群分配矩阵，从而丰富图形表示，并在图分类任务和地面真实社区结构图上取得了最佳表现。此外，对汇集算子的内部功能进行了深入的实证分析。
Sep, 2022
本文研究图神经网络中的池化操作的表现力问题，并介绍了一种可以全面维持message-passing层的表现力的池化操作设计原则，进而通过实验验证其在图同构检测上的效果。
Apr, 2023
通过利用曲率概念，CurvPool构建了一个具有更适合结构的图形，以解决图神经网络中的过度平滑和过度压缩问题，并在分类准确性、计算复杂性和灵活性等方面表现出竞争力。
Aug, 2023
图池化方法在不同任务中的性能评估涵盖了15种图池化方法和21个不同的图数据集，以评估其在效果、鲁棒性和泛化性方面的性能，并通过深入的实验验证了图池化方法在各种场景中的强大能力和适用性，为深度几何学习研究提供了有价值的见解和指导。
Jun, 2024