Abstract CNN在视觉任务上表现优异，通常堆叠大量卷积核来提高训练表现； GNN成功用几个图神经层探索了图数据之间的潜在拓扑关系。 由于缺乏图结构，在非图数据上无法使用GNN，在大规模场景下推理延迟较高。 提出问题：如何桥接这两个异构网络？ 本文提出了一个新颖的CNN2GNN框架，通过蒸馏将CNN和GNN统一在一起。 设计可微稀疏图学习模块(differentiable sparse