基于边的图组件池化

图结构数据自然存在于诸多研究领域中，如化学和社会学。其所包含的关系信息可通过几何深度学习来统计建模图属性。图神经网络采用消息传递层等技术来传播图中的局部特征。然而，当处理大型稀疏图时，消息传递层可能计算代价高昂。图池化算子提供了删除或合并图中节点，从而降低计算成本的可能性。然而，删除节点的池化算子会导致数据丢失，合并节点的池化算子往往计算代价高昂。我们提出一种合并节点以避免数据丢失且概念简单且计算低效的池化算子。我们经验性地演示，该提议的池化算子在四个流行基准数据集上统计显著优于边池，而在平均情况下将时间复杂性和可训练参数数目降低 70.6%。与另一种被称为 Graph Isomorphic Network 的最大强大方法相比，我们在两个流行基准数据集上超越其平均情况下将可学习参数数目降低 60.9%。