假设你是集团总部的分析师，手里握着 20 家子公司的管理权——每家子公司都有几千名员工、每人十几项考核指标。要判断哪家公司值得追加投资，你不可能把几万份员工档案逐一读完，而是让每家子公司交一份不超过一页的年度总结报告。把几千人的信息浓缩成“人均产出、利润率、优秀员工占比”这几个关键数字，这个动作，就是图池化要解决的核心问题。 在 AI 的世界里，一张图就像一家公司：节点是员工，边是员工之间的协作关系，每个节点的特征向量是这位员工的综合绩效。图神经网络（GNN）通过消息传递，让每个节点学到融合了邻居信息的表示。但很多任务关心的是整张图的判断——“这个分子有没有毒性”“这个社交群是不是垃圾广告群”。要把节点级的“员工档案”压缩成图级的“公司报告”，就需要图池化。 最简单的报告写法有两种：把全员指标求平均（全局平均池化），或者只挑最亮眼的单项（全局最大池化）。更聪明的做法是让 AI 自己学：DiffPool 像按部门合并再写分层报告，TopK 像只挑绩效最高的几位员工单独附页。报告的风格直接决定董事会拍板的准确性——这就是图池化方法研究的价值所在。

岗位关联

学懂图池化，你就掌握了图神经网络从“看懂局部”到“看懂全局”的关键一跃。无论做分子筛选、社交分析还是推荐系统，把不规则、变大小的图压缩成有判断力的固定长度向量，都是绕不开的基本功。

目录
  1. 可视化演示
  2. 池化本质：从员工档案到集团报告
  3. 全局平均池化：一份“平均分”报告
  4. 全局最大池化：只写最亮的亮点
  5. DiffPool可学习池化：聪明的HR自动分组
  6. TopK池化：绩效前几名单独附页
  7. 图分类应用：董事会的最终拍板
  8. 池化方法对比：没有最好的报告，只有最合适的
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

池化本质：从员工档案到集团报告

你是一家集团总部的分析师，负责评估 20 家子公司是否值得追加投资。每家子公司都有一份厚厚的员工档案：几千名员工，每人十几项指标。你不可能一页页读完所有档案，只能让每家交一份一页纸的年度总结——把几千人的信息浓缩成“人均产出”“利润率”“优秀员工比例”。这份浓缩，就是“池化”。

在 GNN（图神经网络）的世界里，一幅图就是一家公司：节点是员工，边是协作关系，每个节点的特征向量是这位员工的综合绩效。经过几层消息传递后，每个节点已经融合了邻居的信息，得到一个表示向量。但很多图分类任务——“这个分子有没有毒性”“这个社交群是不是垃圾广告群”——需要的是整张图的判断，而不是单个节点的判断。

要做图分类，必须解决一个尴尬：不同的图节点数量不同，有的分子只有十几个原子，有的社交网络有几百万用户，而下游分类器要求输入长度固定。图池化就是解决这个问题的“年度总结”，它把任意数量的节点表示压缩成一个固定维度的图表示：

所以，池化不是可选项，而是从“看懂节点”到“看懂整张图”的必经关口。报告怎么写各有风格，但核心目标一致：把团队的千头万绪，浓缩成一张能拍板的纸。

hG=Pool({hv∣v∈V})h_G = \text{Pool}(\{ h_v \mid v \in V \})
  1. 节点集合 $V$图中所有节点的集合，$v$ 是其中任意一个节点，就像一个部门里的每一名员工。
    V={v1,v2,…,v∣V∣}V = \{v_1, v_2, \ldots, v_{|V|}\}
  2. 节点表示 $h_v$节点经过 GNN 层层消息传递后学到的特征向量，相当于员工融合了同事信息后的“综合绩效档案”。
    hv∈Rdh_v \in \mathbb{R}^{d}
  3. 池化算子 $\text{Pool}(\cdot)$把无序的节点特征集合变成一个向量的函数，相当于筛选、汇总员工档案的流程。
    Pool:R∣V∣×d→Rd\text{Pool}: \mathbb{R}^{|V| \times d} \to \mathbb{R}^{d}
  4. 图表示 $h_G$最终代表整张图的向量，就是董事会看到的那页年度报告，后续分类器基于它做判断。
    hG∈Rdh_G \in \mathbb{R}^{d}

全局平均池化：一份“平均分”报告

假设董事会没有特殊偏好，只想先看“公司整体水平如何”。最省事的做法，是把几百名员工每个指标分别求平均，写进报告：“全员平均绩效 3.8 分，平均加班时长 12 小时/周”。一位求稳的分析师会首推这种写法。

这个思路对应图池化里最简单的策略之一：全局平均池化。它把图中所有节点的特征向量逐维度求平均，得到图级表示，公式非常直白：

平均池化没有任何可训练参数，计算极快，对噪声也比较稳健——个别员工绩效异常高或低，对均值影响有限。代价是“太平均”：如果图中只有几个关键节点携带决定性信息，均值会稀释这些关键信号，就像全公司平均工资掩盖了千万年薪和实习生底薪的差距。平均池化适合信号分布均匀、没有极端离群的场景，它也是所有论文默认打底的基线方法。

hG=1∣V∣∑v∈Vhvh_G = \frac{1}{|V|} \sum_{v \in V} h_v
  1. 节点总数 $|V|$图中节点的个数，相当于这家公司的员工总数。
    ∣V∣=N|V| = N
  2. 求和 $\sum_{v \in V} h_v$把所有节点特征向量按同一维度相加，比如把几百名员工的“绩效”维度全部加起来。
    ∑v∈Vhv=h1+h2+⋯+hN\sum_{v \in V} h_v = h_1 + h_2 + \cdots + h_N
  3. 缩放 $\frac{1}{|V|}$用节点总数做除法，得到每个维度的平均值，防止节点越多累加值越大。
    1∣V∣∑v∈Vhv=h1+h2+⋯+hNN\frac{1}{|V|} \sum_{v \in V} h_v = \frac{h_1 + h_2 + \cdots + h_N}{N}
  4. 图向量 $h_G$最终每一维代表“全体节点在该指标上的平均水平”，维度与单节点特征完全一致。
    hG[j]=1N∑v∈Vhv[j]h_G[j] = \frac{1}{N}\sum_{v \in V} h_v[j]

全局最大池化：只写最亮的亮点

另一位分析师风格相反，他认为董事会没耐心看平均数据，只需要记住最亮眼的一件事：“销售冠军李雷，年签单额 7000 万。” 整份报告围绕最强信号展开，别的都可以一笔带过。

这就是全局最大池化的直觉：对特征向量的每个维度，在所有节点中取最大值，拼成图级向量。

最大池化能牢牢抓住判别力最强的特征。比如判断分子是否有毒，往往只需“是否含某个特定官能团”这类信号，最大值恰好能捕捉它。但它对噪声敏感：某个维度若被异常值污染，最大池化会把噪声放大成“虚假亮点”。如果说平均池化是“求稳”，最大池化就是“求锐”，实际任务常把两者拼接或加权结合，既看整体水位，也看峰值信号。

hG=max⁡v∈Vhvh_G = \max_{v \in V} h_v
  1. 运算符 $\max$按“维度”逐一比较，每个位置只保留最大值，而不是把整个向量比出一个数。
    max⁡v∈Vhv[j]=max⁡(h1[j],h2[j],…,hN[j])\max_{v \in V} h_v[j] = \max(h_1[j], h_2[j], \ldots, h_N[j])
  2. 遍历 $v \in V$需要扫过所有节点，相当于把每名员工的每个指标都看一遍。
    v∈{v1,v2,…,vN}v \in \{v_1, v_2, \ldots, v_N\}
  3. 结果维度$h_G$ 的维度与单节点特征相同，只是每个位置被所有节点里的最强信号占据。
    hG∈Rdh_G \in \mathbb{R}^{d}
  4. 信息选择平凡节点的低调数据被丢弃，只有尖子生的数据进入报告，相当于“只报道销冠”。
    丢弃非最大项\text{丢弃非最大项}

DiffPool可学习池化：聪明的HR自动分组

董事会嫌固定模板的报告太死板，希望 AI 根据每家公司的业务形态自己决定怎么总结。DiffPool 的思路是：让 HR 先按业务线把员工分进几个事业部，每个事业部先内部总结，再汇总成集团报告——但“分到哪个事业部”这件事，是模型从数据里学出来的。

DiffPool（可微池化）每一层学习一个软分配矩阵 $S$，把节点软聚类成若干个簇。$S$ 的每一行是一个节点对各个簇的归属概率，softmax 保证概率和为 1。随后按概率合并特征和结构：

这样反复执行，图就被一层层“揉”成越来越小的层次化图，最后一层配合平均或最大池化输出图向量。整个过程完全可微，能随图分类任务端到端训练。DiffPool 相当于给公司配备了一位会看数据说话的 HR，分组策略不是拍脑袋定的，而是根据分类准确率反推出来的。代价是参数明显变多，数据不够时容易过拟合——就像新 HR 没有足够的样本经验，分组反而帮倒忙。

S=softmax(GNNpool(A,X)),X′=S⊤X,A′=S⊤ASS = \text{softmax}(\text{GNN}_{\text{pool}}(A, X)), \quad X' = S^{\top}X, \quad A' = S^{\top} A S
  1. 图结构 $A$ 与特征 $X$邻接矩阵记录谁和谁协作，特征矩阵记录每个人的考核分数。
    A∈RN×N,X∈RN×dA \in \mathbb{R}^{N \times N},\quad X \in \mathbb{R}^{N \times d}
  2. 聚类网络 $\text{GNN}_{\text{pool}}$一个专门的图神经网络担任"HR"，结合结构和特征给每个节点打分归组。
    Z=GNNpool(A,X)Z = \text{GNN}_{\text{pool}}(A, X)
  3. 分配矩阵 $S$形状是“节点数 × 簇数”，每行是软概率，表示一个员工按比例分配到几个部门。
    Sik=exp⁡(Zik)∑k′exp⁡(Zik′)S_{ik} = \frac{\exp(Z_{ik})}{\sum_{k'} \exp(Z_{ik'})}
  4. 簇特征 $X' = S^{\top}X$按概率把节点特征加权求和，得到每个簇（事业部）的总结向量。
    Xk′=∑iSikXiX'_{k} = \sum_{i} S_{ik} X_{i}
  5. 结构重算 $A' = S^{\top} A S$把节点间的连接映射成簇与簇之间的连接强度，生成一张更小的“部门协作图”。
    Akl′=∑i,jSikAijSjlA'_{kl} = \sum_{i,j} S_{ik} A_{ij} S_{jl}

TopK池化：绩效前几名单独附页

还有一种更“精兵政策”的报告风格：不分组、不平均，直接在全公司绩效榜上取前 10 名，把他们的档案单列一页，其余员工一笔带过。TopK 池化干的就是这件事。

TopK 池化先让一个打分器评估每个节点的重要性，再按得分保留前 K 个节点，同时丢弃其余节点。打分器本身是可学习的，公式如下：

TopK 的妙处在于“稀疏可微”：它不产生稠密的簇，而是留下一张精简的子图，后续 GNN 层可以继续在子图上传播消息。相比平均池化的“一视同仁”，TopK 能自动过滤无关节点，聚焦任务真正关心的区域。和 DiffPool 相比，TopK 更像“选优”而非“合并”，参数量适中，在社交图和分子图上往往有明显收益，但 K 值需要调参——留太少丢信息，留太多又不够“精选”。

s=σ(Xw/∥w∥),X′=Xidx⊙sidx,A′=Aidx,idxs = \sigma(X w / \| w \|), \quad X' = X_{\text{idx}} \odot s_{\text{idx}}, \quad A' = A_{\text{idx}, \text{idx}}
  1. 打分权重 $w$一个可学习向量，决定特征里哪些维度对“重要度”贡献大。
    w∈Rdw \in \mathbb{R}^{d}
  2. 归一化打分 $X w / \|w\|$先把节点特征投影为一个标量得分，再除以权重范数约束得分尺度稳定。
    s~=Xw∥w∥\tilde{s} = \frac{X w}{\|w\|}
  3. 激活函数 $\sigma$把得分压缩到 0 到 1 之间，作为“保留强度”。
    s=σ(s~)∈(0,1)s = \sigma(\tilde{s}) \in (0,1)
  4. 索引 $\text{idx}$得分最高的前 K 个节点的下标，相当于绩效榜上的名次。
    idx=argtopK(s)\text{idx} = \text{argtop}_K(s)
  5. 特征保留 $X' = X_{\text{idx}} \odot s_{\text{idx}}$挑出前 K 个节点，并按保留强度缩放特征，名次越靠前贡献越大。
    Xi′=Xidxi⋅sidxiX'_{i} = X_{\text{idx}_i} \cdot s_{\text{idx}_i}
  6. 子图结构 $A_{\text{idx}, \text{idx}}$只保留这 K 个节点之间原有的连边，形成稀疏子图。
    A′=A[idx,idx]A' = A[\text{idx}, \text{idx}]

图分类应用：董事会的最终拍板

无论用哪种方式写报告，最终目的是让董事会拍板。在 AI 里，“拍板”的组件是一个分类器：它读入池化产生的图级向量 $h_G$，输出“这家公司是好公司还是坏公司”的概率。

以分子属性预测为例：一个分子被建模成图，原子是节点，化学键是边，原子的电荷、元素类型是节点特征。GNN 做消息传递，池化层把分子压缩成图向量，最后接一个多层感知机输出类别概率。整个过程端到端优化：

在社交图分类里流程完全一致：一张社区子图经过同样的 GNN + 池化，判断它是否属于垃圾广告群。两者的共同点是：图大小不固定，池化把不规则图“归一”成固定向量；图结构差异大，池化负责留下真正影响分类的结构。可以说，池化层是“报告写法”，分类器是“董事会”——报告写得好不好，直接决定董事会判断准不准。

y^=MLP(hG),L=−∑cyclog⁡y^c\hat{y} = \text{MLP}(h_G), \quad \mathcal{L} = - \sum_{c} y_c \log \hat{y}_c
  1. 图向量 $h_G$池化后得到的固定长度向量，就是那页年度报告。
    hG∈Rdh_G \in \mathbb{R}^{d}
  2. 分类器 $\text{MLP}$多层感知机，把报告映射到每个类别的得分，相当于董事会按报告打分的流程。
    z=MLP(hG)z = \text{MLP}(h_G)
  3. 概率输出 $\hat{y}$经过 softmax 后的各类别概率，表示“是好公司的把握有多大”。
    y^c=exp⁡(zc)∑c′exp⁡(zc′)\hat{y}_c = \frac{\exp(z_c)}{\sum_{c'} \exp(z_{c'})}
  4. 交叉熵损失 $\mathcal{L}$比较预测概率与真实标签 $y$ 的差距，训练时不断缩小这个差距。
    −∑cyclog⁡y^c- \sum_{c} y_c \log \hat{y}_c
  5. 端到端更新损失反向传播，同时更新 GNN、池化层、分类器的参数——报告写法本身也在被优化。
    θ←θ−η∇θL\theta \leftarrow \theta - \eta \nabla_\theta \mathcal{L}

池化方法对比：没有最好的报告，只有最合适的

不同的老板偏爱不同的报告风格。老派老板喜欢平均分，看重整体水位；猎头型老板只看最亮的明星；精细化老板要分层或精选。池化方法没有绝对优劣，只有合不合适。

固定池化（平均、最大）零参数、速度快、可解释性强，但无法针对任务调整“报告重点”；可学习池化（DiffPool、TopK）能自适应筛选或合并重要结构，往往在分子属性预测和社交图分类上超过固定池化，但参数更多、更依赖训练数据规模。一种工程技巧是把两种固定池化组合，像“重点分明”的报告同时给出平均分和最高分：

选型经验可以概括为：数据量小、求稳妥，先用平均池化打基线；数据充足、图结构复杂，换 DiffPool 或 TopK；信号稀疏且关键特征明确，最大池化或 TopK 更有优势。没有银弹，只有对比实验才能给出答案。所以，在真实项目里选池化时，先把自己当成集团分析师：报告是给谁看的、什么信息最能影响决策，再挑对应的“总结方式”。

hG=α⋅1∣V∣∑v∈Vhv+(1−α)⋅max⁡v∈Vhvh_G = \alpha \cdot \frac{1}{|V|} \sum_{v \in V} h_v + (1 - \alpha) \cdot \max_{v \in V} h_v
  1. 平均分量 $\frac{1}{|V|}\sum_v h_v$反映整体水平，相当于报告里的“全员平均绩效”。
    mean=1N∑vhv\text{mean} = \frac{1}{N}\sum_{v} h_v
  2. 最大分量 $\max_v h_v$捕获最强信号，相当于报告里的“年度销售冠军”。
    max=max⁡vhv\text{max} = \max_{v} h_v
  3. 平衡系数 $\alpha$取值 0 到 1，控制两种风格的比例，好比董事会说“我七成看重平均、三成看重亮点”。
    α∈[0,1]\alpha \in [0, 1]
  4. 实际调参$\alpha$ 可用验证集搜索，或直接拼接两个向量让分类器自己学权重，效果往往更好。
    hG=[mean; max]h_G = [\text{mean}; \ \text{max}]

AI 应用场景

分子属性预测

阶段：特征工程与模型推理

解决的问题：传统药物筛选靠湿实验测定化合物属性，周期长、成本高。AI 把分子建模为图（原子是节点、化学键是边），用 GNN 学习原子级表示，再用图池化得到分子级向量，几毫秒即可预测水溶性、毒性等属性。好比把“每个原子的简历”浓缩成“整个分子的体检报告”，帮助药企提前筛除不合格候选物。

具体案例：某 AI 制药团队用“GNN + 全局平均池化”作为基线预测化合物水溶性，在公开数据集上 MAE 降到 0.6 以内；随后换成 TopK 池化，对含关键官能团的分子预测精度进一步提升，预筛效率提高约 30%。

社交图分类

阶段：模型推理与评估

解决的问题：社交平台上垃圾广告群、异常组织难以用固定规则识别，因为它们的结构千变万化。基于图池化的分类模型把每个群组建模为图，自动压缩成图向量后分类，能捕捉“结构异常”这类深层信号——就像从“部门协作图”里看出这家公司是不是皮包公司。

具体案例：某风控团队对 100 万+社区子图做二分类（正常 / 广告），对比平均池化与 DiffPool，后者通过层次化聚类把高密度刷屏簇识别出来，召回率从 84% 提升到 92%，同时误报率下降。

Python 演示

python36 行
import numpy as np class GraphPoolDemo:    """用 numpy 实现三种图池化方式的对比演示。"""     def __init__(self, n_nodes=6, feat_dim=4, seed=42):        rng = np.random.default_rng(seed)        # 模拟 6 个节点，每个节点 4 维特征        self.features = rng.normal(size=(n_nodes, feat_dim))        # 模拟节点重要度得分（TopK 打分器的输出）        self.scores = rng.uniform(0, 1, size=n_nodes)     def average_pool(self):        """全局平均池化：对节点维度求均值。"""        return self.features.mean(axis=0)     def maximum_pool(self):        """全局最大池化：对节点维度取最大值。"""        return self.features.max(axis=0)     def topk_pool(self, k=3):        """TopK 池化：按得分保留前 k 个节点，并缩放特征。"""        idx = np.argsort(self.scores)[::-1][:k]        kept = self.features[idx] * self.scores[idx][:, None]        return kept, idx if __name__ == "__main__":    demo = GraphPoolDemo(n_nodes=6, feat_dim=4)    print("节点特征矩阵:\n", demo.features)    print("\n全局平均池化结果:\n", demo.average_pool())    print("\n全局最大池化结果:\n", demo.maximum_pool())    kept, idx = demo.topk_pool(k=2)    print("\nTopK 选中的节点索引:", idx)    print("TopK 池化结果:\n", kept)    print("\n平均池化输出形状:", demo.average_pool().shape,          "| TopK 输出形状:", kept.shape)
目的：用 numpy 模拟图上的平均、最大、TopK 三种池化操作，直观对比它们的输出差异与形状变化。
  1. self.features = rng.normal(size=(n_nodes, feat_dim))生成模拟的节点特征矩阵，每行是一个节点、每列是一个维度，对应“员工的绩效档案”。
  2. return self.features.mean(axis=0)沿节点维度求平均，得到图级向量，对应“全员平均绩效”。
  3. return self.features.max(axis=0)逐维度取最大值，捕获最强信号，对应“只写销冠”。
  4. idx = np.argsort(self.scores)[::-1][:k]对重要度降序排列，取前 k 个下标，就是 TopK 选人环节。
  5. kept = self.features[idx] * self.scores[idx][:, None]选出节点特征并按得分缩放，名次越靠前贡献越大。
  6. demo = GraphPoolDemo(n_nodes=6, feat_dim=4)构造 6 个节点、4 维特征的小图，方便观察池化前后变化。
  7. print("平均池化输出形状:", demo.average_pool().shape, ...)展示平均/最大池化无论输入多少节点输出形状固定，这是分类器能处理变长图的关键。

常见误区

误区我以为图池化就是类似 PCA 或者抽样，目的是把模型参数和计算量降下来，省显存省时间，和最终分类效果关系不大。

正解池化的首要目标是“把节点级表示变成图级表示”，从而支撑图分类，降维只是顺带的副产品。在信息压缩过程中，保留什么、丢弃什么会直接决定分类器的判断。就像公司年度总结，写报告时重点选错了，董事会就可能误判公司好坏。

为何常见：GNN 本身节点多、计算量大，容易让人把池化类比成 CNN 里的下采样，误以为它只是加速手段。

误区最大池化能抓住最强特征，平均池化会把强特征稀释掉，所以实际任务里无脑选最大池化就对了。

正解两种策略各有适用场景。信号稀疏且关键时最大池化占优；特征中噪声较多、每个节点信息都重要时，平均池化更稳健。很多论文的结论是两者互补，拼起来用反而更好，类似报告里既写平均绩效又写销冠。

为何常见：直观上“最强信号 = 最关键信息”容易让人忽略噪声风险，也忽略了某些数据集的判别信息分布在所有节点上。

误区图像领域不是有最大池化和平均池化吗？图池化应该就是把节点排成网格，然后滑窗取最大值。

正解图像是规则的网格，邻居固定，池化窗口可以直接滑动；图没有天然顺序，节点邻居数量不等，还有复杂的拓扑关系。图池化必须定义在“任意图”上：要么对所有节点做全局聚合，要么学习如何选择或合并节点，完全无法套用 CNN 的滑窗思维。

为何常见：因为名字里都有“池化”二字，初学者容易把图像处理的经验直接迁移到图上，忽略了底层数据结构的不同。

误区TopK 池化嘛，肯定是看节点特征向量哪个维度的数值大就保留哪个节点，原始特征值就代表重要性。

正解TopK 靠一个可学习打分器 $s = \sigma(Xw/\|w\|)$ 评估重要性，打分器经过端到端训练，能结合节点在图中聚合到的结构信息打分，而不是单纯比较原始特征大小。比如一个社交节点自身特征平淡，但它连接了大量关键用户，经过 GNN 聚合后得分会很高。

为何常见：只看名字容易望文生义，以为 TopK 就是“取最大特征”；实际上它的重要度定义与任务目标深度绑定。

误区可学习池化比固定池化“高级”，所以什么时候都用 DiffPool，数据少也能靠模型自身能力赢过平均池化。

正解DiffPool 引入了较多额外参数（聚类网络、分配矩阵），在小数据集上很容易过拟合，性能反而不如零参数的全局平均池化。选择可学习池化的前提是有足够监督信号和充分训练，否则“聪明”的 HR 没有足够样本历练，分出来的组未必合理。

为何常见：人们容易把“模型更复杂”等同于“模型更好”，忽略了偏差-方差权衡。

面试题

Q1. 图池化的核心目标是什么？

单选题 · easy

  • A.减少图神经网络的参数量
  • B.将节点级表示压缩为图级表示← 正确答案
  • C.加速图数据集的读取速度
  • D.增加图的节点数量便于训练

答案：B。图池化的本质是把“员工档案”浓缩成“公司报告”，即将节点级表示压缩为图级表示，从而支撑图分类任务。减少参数量和加速读取只是顺带效果，不是核心目标；增加节点数量更是与池化方向相反。

Q2. 全局平均池化得到的图表示 $h_G$，每个维度的值等于什么？

单选题 · easy

  • A.所有节点该维度的最大值
  • B.所有节点该维度的最小值
  • C.所有节点该维度的平均值← 正确答案
  • D.随机某一个节点的值

答案：C。平均池化就是把所有节点特征按维度求均值，相当于全公司绩效取平均。最大值和最小值分别是最大池化与最小池化的逻辑，随机取值则会丢失信息，都不正确。

Q3. 与平均池化相比，全局最大池化的主要特点是？

单选题 · easy

  • A.保留最强特征信号← 正确答案
  • B.对所有特征一视同仁
  • C.输出结果的维度变小
  • D.不需要节点特征

答案：A。最大池化逐维度取最大值，保留最强的判别信号，好比报告只写销冠的业绩。B 是平均池化的特点；输出维度与单节点特征相同，不会变小；没有节点特征，任何池化都无法进行。

Q4. DiffPool 的核心思想是什么？

单选题 · mid

  • A.按固定比例随机丢弃节点
  • B.学习节点到簇的软分配并合并← 正确答案
  • C.对所有节点做算术平均
  • D.把图展开成序列再卷积

答案：B。DiffPool 通过一个 GNN 学习软分配矩阵 $S$，把节点按概率分配到若干簇，再合并特征和结构，类似 HR 把员工分进事业部。随机丢弃、算术平均、展成序列都不属于 DiffPool 的机制。

Q5. TopK 池化保留节点的依据是什么？

单选题 · mid

  • A.节点的原始度数
  • B.节点在图中出现的位置
  • C.可学习打分器给出的重要度← 正确答案
  • D.节点特征的随机采样

答案：C。TopK 用一个可学习的打分器 $s = \sigma(Xw/\|w\|)$ 评估节点重要性，按得分保留前 K 个节点。原始度数、位置、随机采样都没有经过任务驱动的端到端学习，无法自适应筛选关键结构。

Q6. 下列属于固定池化（不可学习）方法的有哪些？

多选题 · mid

  • A.全局平均池化← 正确答案
  • B.全局最大池化← 正确答案
  • C.DiffPool
  • D.TopK池化

答案：AB。全局平均池化和全局最大池化没有任何可训练参数，是典型的固定池化策略。DiffPool 和 TopK 都引入了可学习的聚类网络或打分器，属于可学习池化，故选 A、B。

Q7. 关于图池化在图分类中的作用，下列说法正确的有哪些？

多选题 · mid

  • A.池化产生统一的图级向量供分类器使用← 正确答案
  • B.池化可以消除图节点数量不固定的问题← 正确答案
  • C.池化后还需要对每个节点单独分类
  • D.池化层无法与GNN一起训练

答案：AB。池化的输出是固定维度的图级向量，天然解决了节点数量不固定问题，A、B 正确。池化后是对整张图分类，不再对每个节点单独分类，C 错；DiffPool 和 TopK 等可学习池化完全可以端到端训练，D 错。

Q8. 在分子属性预测与社交图分类中，可学习池化效果优于固定池化的主要原因是？

单选题 · hard

  • A.可学习池化随机挑选节点
  • B.可自适应筛选或合并任务相关结构← 正确答案
  • C.可学习池化不需要图结构信息
  • D.可学习池化输出维度总为1

答案：B。可学习池化通过端到端训练，能根据任务自动筛选关键节点（TopK）或合并结构（DiffPool），捕捉任务相关的拓扑模式。随机挑选没有意义；可学习池化同样依赖图结构；输出维度也不是总为 1。

Q9. 关于固定池化与可学习池化的取舍，下列说法正确的有哪些？

多选题 · hard

  • A.固定池化简单可解释且几乎无额外参数← 正确答案
  • B.可学习池化在数据充足时更灵活← 正确答案
  • C.小数据集上可学习池化更易过拟合← 正确答案
  • D.固定池化永远优于可学习池化

答案：ABC。固定池化零参数、好解释，适合做基线；可学习池化参数多，数据充足时能自适应任务；数据太少时反而容易过拟合。D 过于绝对，实验证明在分子和社交图任务上可学习池化往往更优，故选 A、B、C。

Q10. 在 TopK 打分公式 $s=\sigma(Xw/\|w\|)$ 中，除以 $\|w\|$ 的主要目的是什么？

单选题 · extreme

  • A.使得分范围在0到1之间
  • B.约束权重尺度使打分稳定← 正确答案
  • C.使模型训练梯度完全消失
  • D.减少图的连通分量数量

答案：B。除以 $\|w\|$ 是对权重做范数归一化，约束打分尺度不随权重增大而失控，帮助训练稳定。使得分落在 0 到 1 之间是 sigmoid 函数 $\sigma$ 的作用；梯度消失与权重归一化无关，反而有助于缓解训练不稳定；连通分量数量由图结构决定，与打分无关。