---
title: "圖分類（Graph Classification）"
slug: graph-classification
language: zh-TW
source: https://aiterms.tw/terms/graph-classification
updated_at: 2026-07-04
tags: [知識圖譜, 神經網路, 深度學習, source:arxiv]
ipas_term: false
---

# 圖分類（Graph Classification）

圖分類是將整個圖形結構映射到特定類別的機器學習任務，旨在根據節點、邊及整體拓撲特徵預測圖形的屬性或狀態。

## 完整說明

圖分類是一種圖神經網路與機器學習的進階任務，用於將完整的圖結構資料指派到預先定義的類別中，能夠從節點特徵與全域拓撲中提取圖形層級的表示。常見應用包括分子屬性預測、社交網路社群分析以及蛋白質結構的功能分類。

## 常見問題

### 圖分類與節點分類有什麼主要差異？

圖分類的目標是預測整張圖的標籤，例如判斷一個分子結構是否具有毒性；而節點分類則是預測單一圖結構內各個節點的標籤，例如在社交網路中預測個別使用者的興趣或職業。圖分類需要將圖中所有節點與邊的資訊整合出單一的圖層級表示向量，通常需要使用池化機制來彙總局部特徵，這是節點分類所不需要的步驟。兩者雖都處理圖形資料，但在特徵聚合與預測層級上有著根本上的不同。

### 進行圖分類任務時，如何處理不同大小與形狀的圖形輸入？

現實世界中的圖結構往往具有不同的節點數量與連結模式，處理這些變動大小的輸入是圖分類的一大挑戰。通常會採用圖神經網路來提取各節點的特徵，接著透過全域池化層（例如全域平均池化或全域最大池化）將變動數量的節點特徵壓縮成固定維度的向量。這種機制確保了後續分類層能夠接收到一致大小的輸入特徵，同時保留了原始圖形的拓撲與屬性資訊，使模型具備處理任意大小圖形的能力。

### 圖分類在訓練過程中常遇到哪些挑戰？如何解決？

圖分類常見的挑戰包括圖結構的同構問題，也就是結構相同但節點排列不同的圖形可能導致模型輸出不一致。此外，過度平滑問題也容易在多層圖神經網路中發生，導致不同類別的圖特徵變得難以區分。為解決這些問題，研究人員會引入更靈活的池化方法（如分層池化）、加入注意力機制以聚焦重要節點，或者採用資料擴增技術（如隨機丟棄邊或遮蔽節點）來提升模型的泛化能力與穩健性。

---

來源：https://aiterms.tw/terms/graph-classification
快查頁：https://aiterms.tw/terms/graph-classification
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-graph-classification