摘要

图神经网络（Graph Neural Networks, GNN）在建模图结构数据方面已被证明具有高效性，能够成功应用于节点分类、链接预测和图分类等任务。近年来，关于图池化（graph pooling）概念的定义取得了一些进展，其核心思想是通过下采样和信息汇总的方式，使模型生成图级别的表示。然而，现有的池化方法要么难以有效捕捉图的子结构信息，要么难以扩展至大规模图数据。在本工作中，我们提出了一种新型的稀疏且可微的池化方法——ASAP（Adaptive Structure Aware Pooling），以克服以往图池化架构的局限性。ASAP引入了一种新颖的自注意力网络结构，并结合改进的GNN建模范式，用以捕捉图中每个节点的重要性。同时，该方法在每一层学习节点的稀疏软聚类分配，从而高效地对子图进行聚合，生成下一层的池化图。通过在多个数据集上的大量实验以及理论分析，我们验证了ASAP中各组件设计的合理性与有效性。实验结果表明，将现有GNN架构与ASAP相结合，可在多个图分类基准任务上达到当前最优性能。相较于现有的稀疏分层方法，ASAP实现了平均4%的性能提升，展现出显著的优越性。