论文题目：CCP-GNN: Competitive Covariance Pooling for Improving Graph Neural Networks
作者：朱鹏飞，李佳璐（博士研究生），董喆，胡清华，王啸，王旗龙
论文概述：图神经网络（GNNs）在图分类任务上取得了一定进展，其中通过汇总节点特征来生成图表示的全局池化对最终性能起着关键作用。现有的GNNs大多采用全局平均池化或其变体构建，没有充分考虑节点特异性，忽略了节点特征固有的丰富统计特性，限制了GNNs的分类性能。因此，本文提出了一种基于图结构的竞争协方差池化（CCP）算法，即图通常由节点集的关键部分识别。首先，CCP生成节点的二阶表示以探索节点特征中固有的丰富统计信息，将其输入基于竞争的注意力模块，通过学习节点权重有效发现关键节点。随后，CCP通过求和将节点级二阶表示与节点权重结合起来，为每个图产生协方差表示，同时引入迭代矩阵归一化来考虑协方差的几何形状。CCP可以与各种GNNs（即CCP-GNN）灵活集成，以很少的计算成本提高了图分类任务的性能，在7个图级基准数据集上的实验结果表明，CCP-GNN的性能优于或可与现有技术相媲美。
