본 논문은 그래프 풀링(graph pooling)의 효율성을 높이기 위해 다중 관점 가지치기(Multi-View Pruning, MVP) 기법을 제안합니다. 기존의 그래프 풀링 방법들은 주로 attention 기반의 점수 매기기를 통해 노드를 제거하는데, 이는 특징(feature) 수준의 관련성을 고려하지 않고 단순히 차수가 낮은 노드를 제거하는 문제점을 가지고 있습니다. MVP는 여러 관점(다양한 모달리티 활용 또는 특징 임의 분할)에서 생성된 여러 그래프를 이용하여 각 노드의 중요도를 다각적으로 평가합니다. 재구성 손실(reconstruction loss)과 과업 손실(task loss)을 모두 고려하여 각 노드의 점수를 학습하고, 이를 계층적 풀링 프레임워크와 결합하여 사용합니다. 실험 결과, 여러 벤치마크 데이터셋에서 기존 그래프 풀링 방법보다 성능을 크게 향상시키는 것을 보여줍니다.
