본 논문은 그래프 표현 학습에서 중요한 구성 요소인 그래프 풀링의 효율성을 높이기 위해 Multi-View Pruning(MVP) 기법을 제안합니다. 기존의 어텐션 기반 노드 제거 방식은 노드의 차수만 고려하여 중요한 노드까지 제거하는 문제점을 가지고 있는데, MVP는 다중 관점(multi-view) 프레임워크와 재구성 손실(reconstruction loss)을 활용하여 이 문제를 해결합니다. 다양한 관점에서 노드의 중요도를 고려하기 위해 여러 개의 그래프를 생성하고, 재구성 손실과 작업 손실을 모두 고려하여 각 노드의 점수를 학습합니다. 실험 결과, 다양한 벤치마크 데이터셋에서 기존 그래프 풀링 방법보다 성능을 크게 향상시키는 것을 보여주며, 다중 관점 인코딩과 재구성 손실 고려가 성능 향상의 핵심 요소임을 확인합니다.
