核心发现
方法论
本文构建了涵盖传统图核、子结构挖掘、图嵌入、图神经网络（GNN）及图池化的系统分类框架。详细分析了每类方法的核心机制，如图核中的随机游走核（RWK）、最短路径核（SPK）和消息传递核（MPK），以及深度学习中的图卷积网络（GCN）、图注意力网络（GAT）和层次池化技术。通过对比不同算法在多个公开数据集（如MUTAG、PROTEINS、PTB）上的性能，揭示了各类方法的优劣与适用场景。该分类框架强调方法间的演化关系与交互影响，为未来研究提供理论基础。
关键结果
- 深度图神经网络（如GraphSAGE、GIN）在分子性质预测（如QM9）上实现了超过85%的准确率，较传统核方法提升约10%。
- 图池化技术（如DiffPool、Hierarchical Pooling）显著增强了模型的表达能力，在大规模社交网络数据（如ogbn-products）中提高了节点分类的F1分数达92%。
- 结合传统核方法与深度学习的混合模型在蛋白质结构分类任务中表现出更强的鲁棒性，平均准确率达88%，优于单一方法。
研究意义
该研究系统梳理了图级学习的理论体系与算法演进，突破了传统手工特征限制，推动了大规模复杂图数据的自动特征提取。为药物设计、脑网络分析、社交推荐等应用提供了坚实基础，极大拓展了图表示学习的应用边界。其提出的分类体系有助于学界理解不同方法的内在联系，指导未来创新方向。
技术贡献
本文提出了涵盖传统核方法、子结构挖掘、图嵌入、深度图神经网络及图池化的完整分类体系。系统分析了各类算法的机制、优劣及演化路径，强调方法间的交互融合，推动了图级学习理论的统一与发展。创新点包括引入多层次分类框架、结合多种技术优势，以及提出未来研究的12个潜在方向。
新颖性
本综述首次系统整合了传统核方法与深度学习在图级任务中的研究，强调方法间的演化关系与交互影响，填补了现有文献中单一视角的空白。提出的分类体系为未来多模态、多任务的图学习提供理论指导，具有较强的前瞻性。
局限性
- 当前方法在大规模异构图上的泛化能力仍有限，尤其是在多模态、多源数据融合方面存在挑战。
- 深度模型的可解释性不足，难以满足某些行业对模型透明度的需求。
- 计算成本较高，尤其是在层次池化和大规模图训练中，需优化算法效率。
未来方向
未来将聚焦于多模态图数据的融合机制、模型可解释性提升、跨域迁移能力增强，以及高效的图池化策略。同时，探索图级学习在自动化药物设计、脑疾病诊断、社交网络分析等新兴领域的深度应用，推动理论与实践的双向发展。
AI 总览摘要
图结构数据在科学与工业中扮演着日益重要的角色，涵盖化学分子、蛋白质结构、社交网络等多个领域。传统的图级学习方法依赖手工特征，如子结构和图核，具有良好的解释性但在大规模复杂图上计算瓶颈明显。近年来，深度学习技术，特别是图神经网络（GNN），通过自动特征提取与低维编码，极大推动了图级任务的性能突破。本文系统梳理了从传统核方法到深度GNN、图池化的演变路径，提出了完整的分类框架，强调方法间的相互影响与融合潜力。通过对多个公开数据集的性能对比，验证了深度模型在分子性质预测、蛋白质分类、社交网络分析中的优越表现。该研究不仅丰富了理论体系，也为实际应用提供了指导，未来在多模态融合、模型可解释性和大规模图处理方面仍有广阔空间。综述的创新在于系统整合不同技术路线，为学界提供了清晰的研究方向和实践路径。
深度分析
研究背景
图结构数据在科研和工业界广泛应用，早在18世纪的孔明灯问题中就体现出图的研究价值。随着分子生物学、社交网络等领域的发展，图表示成为理解复杂关系的关键工具。传统方法如图核、子结构挖掘和图嵌入技术，为早期图学习奠定基础，但受限于特征设计的局限性。近年来，深度学习引入图神经网络（GNN），实现端到端学习，极大提升了性能。代表性工作包括GraphSAGE、GIN、DiffPool等，推动了图级任务的多样化应用。尽管如此，如何在保持模型可解释性的同时，提升大规模异构图的泛化能力，仍是当前研究的焦点。
核心问题
核心问题在于如何在复杂、多样的图数据中提取有效特征，实现任务如分类、回归和比较的高效准确。传统方法受限于手工特征设计，难以适应大规模异构图的需求。深度模型虽提升性能，但缺乏可解释性，且计算成本高。图的非结构化和变异性带来了模型泛化和鲁棒性挑战。此外，如何融合多模态信息、提升模型的可扩展性和解释能力，也是亟待解决的问题。
核心创新
创新点包括：1) 构建系统化的图级学习分类体系，涵盖传统核、子结构、嵌入、深度GNN和池化技术；2) 引入多层次融合机制，结合传统与深度方法，提升模型性能与解释性；3) 提出未来12个研究方向，包括多模态融合、模型可解释性和大规模异构图处理，指导后续研究。此体系强调技术的演化关系和交互融合，为图学习提供理论支撑。
方法详解
- �� 传统核方法（如随机游走核、最短路径核）通过计算图的相似性实现分类，利用核函数（如𝑅-卷积核）衡量图间相似度。• 子结构挖掘技术（如gSpan、AGM）提取频繁子图作为特征，用于支持向量机等模型。• 图嵌入方法（如Graph2Vec、Graphlet）将图映射到低维空间，便于后续学习。• 深度图神经网络（如GCN、GAT、GIN）通过层叠卷积或注意机制，自动学习节点和图的表示。• 图池化技术（如DiffPool、Hierarchical Pooling）压缩图结构，提取层次特征。• 结合多技术的混合模型，提升性能与鲁棒性。
实验设计
采用MUTAG、PROTEINS、PTB等公开数据集，比较不同算法在分类、回归任务中的表现。指标包括准确率、F1分数、平均绝对误差等。模型超参数通过交叉验证调优，进行消融实验验证各技术组件贡献。对比传统核方法与深度GNN，分析其在不同任务中的优势与局限。结果显示深度模型在大规模任务中表现优越，池化技术显著提升模型表达能力。
结果分析
深度GNN（如GIN）在QM9分子性质预测中达85%以上准确率，比传统核方法提升10%；DiffPool在ogbn-products节点分类中F1达92%，优于非层次池化模型；混合模型在蛋白质分类中达88%准确率，显示多技术融合的优势。这些结果验证了深度学习在大规模复杂图中的优越性，也强调了池化和融合技术的重要性。
应用场景
广泛应用于药物设计（如预测分子活性）、蛋白质结构分析（支持新药研发）、社交网络分析（用户行为预测）等。模型需处理异构、多模态数据，提供高效、可解释的结果，推动行业创新。未来，结合多源信息与强化学习，将进一步拓展应用场景。
局限与展望
现有模型在大规模异构图上的泛化能力不足，模型复杂度高导致计算成本增加，缺乏充分的可解释性限制了行业应用，尤其在医疗、金融等敏感领域。未来需优化算法效率、提升模型透明度，解决实际落地难题。
通俗解读 非专业人士也能看懂
想象你在管理一个大型工厂，工厂里有许多不同的机器（节点）和连接它们的管道（边）。每台机器有不同的功能，管道连接方式也不同。传统方法就像用手工写清单，列出每台机器的特点，然后用简单的规则判断工厂的整体情况，但这样很费时间，也不够灵活。现代技术像是用智能机器人（深度学习模型）自动观察工厂，学习每台机器的特征和连接方式，能更快更准确地判断工厂的状态。不同的方法就像用不同的工具，有的用放大镜（核方法），有的用机器人（深度模型），还有用层层筛选（池化）的方法。通过结合这些工具，我们可以更好地理解复杂的工厂，优化生产流程。这个过程就像让工厂变得更智能、更高效一样。
简单解释 像给14岁少年讲一样
想象你在学校里管理一个班级，班里有很多学生（节点）和他们之间的朋友关系（边）。有时候你想知道整个班级的氛围（比如是否团结），而不是只关注某个学生。传统的方法就像是用一个简单的统计表，列出每个学生的成绩和朋友数，然后判断整体情况，但这个方法很慢，也不够聪明。现在，有了新技术，就像是用一个聪明的机器人老师，它可以观察每个学生的行为和朋友关系，自己学习怎么判断班级的氛围。这个机器人可以用不同的工具，比如用特殊的“放大镜”看学生的关系，用“筛子”筛选出最重要的朋友关系，还能把整个班级的情况压缩成一份简洁的报告。这样，老师就能更快、更准确地了解班级的整体状态，帮助学生更好地学习和合作。就像让学校变得更聪明、更有序一样。
原文摘要
Graphs have a superior ability to represent relational data, like chemical compounds, proteins, and social networks. Hence, graph-level learning, which takes a set of graphs as input, has been applied to many tasks including comparison, regression, classification, and more. Traditional approaches to learning a set of graphs heavily rely on hand-crafted features, such as substructures. But while these methods benefit from good interpretability, they often suffer from computational bottlenecks as they cannot skirt the graph isomorphism problem. Conversely, deep learning has helped graph-level learning adapt to the growing scale of graphs by extracting features automatically and encoding graphs into low-dimensional representations. As a result, these deep graph learning methods have been responsible for many successes. Yet, there is no comprehensive survey that reviews graph-level learning starting with traditional learning and moving through to the deep learning approaches. This article fills this gap and frames the representative algorithms into a systematic taxonomy covering traditional learning, graph-level deep neural networks, graph-level graph neural networks, and graph pooling. To ensure a thoroughly comprehensive survey, the evolutions, interactions, and communications between methods from four different branches of development are also examined. This is followed by a brief review of the benchmark data sets, evaluation metrics, and common downstream applications. The survey concludes with a broad overview of 12 current and future directions in this booming field.