ICEPool：通过Inter-cluster Connectivity增强图池化网络
机器学习
2025-10-07 v1
摘要
层次化池化模型在分类图结构数据方面表现出强大的性能。尽管已提出许多创新方法来设计簇分配和 coarsening 策略，但簇之间的关系常常被忽视。本文引入了Inter-cluster Connectivity Enhancement Pooling（ICEPool），这是一种新颖的层次池化框架，旨在增强模型对簇间连通性的理解能力，并提高在原始图中保持结构完整性的能力。ICEPool 与广泛的基于池化的图神经网络模型兼容。将ICEPool 作为现有模型的增强工具，有效地将原有模型的优势与ICEPool 强调簇间连通性集成能力相结合，形成更全面和稳健的图级表示。此外，我们对ICEPool 的图重建能力进行了理论分析，以说明其在学习被常规模型忽略的簇间关系方面的有效性。最终，实验结果表明ICEPool 与多种模型兼容，并且有潜力提升现有图神经网络架构的性能。
引用
@article{arxiv.2510.03987,
title = {ICEPool: Enhancing Graph Pooling Networks with Inter-cluster Connectivity},
author = {Michael Yang},
journal= {arXiv preprint arXiv:2510.03987},
year = {2025}
}