BN-Pool：基于贝叶斯非参数的图池化
机器学习
2026-04-02 v2 概率论
摘要
我们介绍了 BN-Pool，这是首个基于聚类的方法的 Graph Neural Networks 池化方法，能够自适应地确定粗化图中超节点的数量。BN-Pool 利用基于贝叶斯非参数框架的生成模型来对图节点进行划分为无限数量的簇。在训练期间，节点到簇的分配通过结合下游任务的监督损失和无监督辅助项来学习，后者鼓励重建原始图拓扑结构，同时惩罚不必要的簇的增长。通过自动发现每个图的最佳粗化水平，BN-Pool 在保持软聚类池化方法性能的同时，避免了其典型的冗余，通过学习紧凑的池化图实现。代码可在 https://github.com/NGMLGroup/Bayesian-Nonparametric-Graph-Pooling 查阅。
引用
@article{arxiv.2501.09821,
title = {BN-Pool: Bayesian Nonparametric Pooling for Graphs},
author = {Daniele Castellana and Filippo Maria Bianchi},
journal= {arXiv preprint arXiv:2501.09821},
year = {2026}
}