---
title: "圖池化（Graph Pooling）"
slug: graph-pooling
language: zh-TW
source: https://aiterms.tw/terms/graph-pooling
updated_at: 2026-07-04
tags: [神經網路, 深度學習, 知識圖譜, 資料處理, source:arxiv]
ipas_term: false
---

# 圖池化（Graph Pooling）

圖池化是一種減少圖形結構資料維度與節點數量的技術，用以提取全域特徵，降低計算成本，在圖神經網路中扮演關鍵的降維角色。

## 完整說明

圖池化是一種在圖神經網路中用於縮減圖形大小並提取高階特徵的關鍵操作。它能夠透過聚合或丟棄特定節點與邊緣，將大規模的局部圖形結構轉化為更精簡的全域表徵，常見應用包括分子屬性預測、蛋白質結構分類以及社交網路群體分析。

## 常見問題

### 圖池化在圖分類任務中為何如此重要？

在圖分類任務中，模型的目標是為整個圖形結構輸出一個整體層級的預測標籤，例如判斷一個分子的整體化學屬性。這要求模型必須具備將分散在各個節點與邊緣的局部特徵整合為一個統一且具代表性的全域特徵的能力。圖池化透過層次化地壓縮圖的規模，允許神經網路在不同空間尺度上捕捉圖的拓撲與幾何資訊。如果沒有圖池化機制，模型只能依賴簡單的全局聚合，這容易遺失圖形內部的多層次子圖結構。因此，圖池化是實現從微觀節點特徵到宏觀圖層級表徵轉換的關鍵步驟，直接決定了圖分類模型的泛化能力。

### 節點丟棄池化與節點聚類池化有何主要差異？

這兩種池化策略在降維機制上存在根本性的不同。節點丟棄池化採用一種選擇性的方式，透過計算每個節點的評分，直接保留高分節點並捨棄低分節點。這種方法計算效率較高，且保留下來的節點特徵具有明確的原始物理意義，但可能破壞圖的初始連通性。相反地，節點聚類池化則是一種軟性的分配機制，它將原始圖中的多個節點融合成下一層的一個超級節點。超級節點的特徵是原始節點特徵的組合。這種方法能更好地維持圖的整體拓撲連續性，減少資訊的硬性遺失，但需要計算複雜的分配矩陣，處理超大規模圖形時會消耗較多的運算資源。

### 如何避免圖池化過程中的過度平滑問題？

過度平滑是圖神經網路在池化層數過多或壓縮比例過大時容易發生的問題，會導致圖的結構特徵被過度平均，使所有節點的表徵趨於一致而喪失區分度。要緩解這個問題，首先應該謹慎設計神經網路的深度，避免堆疊不必要的池化層。其次，可以引入跳躍連接機制，將淺層的圖形特徵直接傳遞到深層或最終的分類器中，這有助於保留原始圖形的細節資訊。此外，採用更具選擇性的注意力圖池化方法，讓模型自適應地決定聚合的程度與範圍，或是結合正則化技術來約束節點特徵的變異數，都是防止特徵過度平滑的實用策略。

---

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