평평한 표현에서 계층으로
노드 임베딩만을 중심으로 하는 그래프 모형은 전체 그래프를 예측할 때 필요한 계층 구조를 직접 배우지 못할 수 있다. DiffPool은 풀링을 통해 점차 큰 수준의 표현을 만드는 문제를 다룬다.
군집이 되는 노드
각 층에서 노드를 군집 집합으로 옮기는 미분 가능한 부드러운 배정을 학습한다. 이렇게 얻은 군집은 다음 그래프 신경망 층에 들어갈 더 거친 그래프의 입력을 구성한다.
전체 그래프의 분류
미분 가능한 모듈이므로 다양한 그래프 신경망과 함께 종단 간으로 최적화할 수 있다. 원 연구는 기존 모형에 DiffPool을 결합해 그래프 분류 벤치마크에서 여러 풀링 방식과 비교했다.
관련 문서
그래프 신경망 / 풀링 / 군집화 / GIN 그래프 동형 신경망 / InfoGraph / 그래프