本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。

Oct, 2020

本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

Apr, 2019

提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息，该方法在 11 个不同的基准数据集上超过 18 个基线模型，显示出对比竞争对手更佳的实验表现。

Mar, 2023

在这项研究中，我们开发了一种名为 Edge-aware hard clustering graph pooling (EHCPool) 的聚类图池化方法，用于提高 Graph Convolutional Networks (GCNs) 的表示学习能力，并获取异常脑图。EHCPool 首次基于边特征提出了 “边到节点” 的评估准则来评估节点特征的重要性。为了更有效地捕捉重要的子图，我们设计了一种新的迭代 N-top 策略来自适应地学习图的稀疏聚类分配。随后，我们提出了一种创新的 N-E 聚合策略，旨在聚合独立子图中的节点和边特征信息。该方法在多个脑成像公共数据集上进行了评估，并取得了最先进的性能，我们相信这是第一种具有从数据驱动角度探测不同类型异常功能性脑网络潜力的深度学习工具。

Aug, 2023

提出了 HoscPool，一种基于聚类的图池算子以及它的聚类组件，通过最小化松弛的基元谱聚类来学习概率群分配矩阵，从而丰富图形表示，并在图分类任务和地面真实社区结构图上取得了最佳表现。此外，对汇集算子的内部功能进行了深入的实证分析。

Sep, 2022

本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

Feb, 2019

本文提出一种基于自注意力机制的图池化方法，使用图卷积实现自注意力，同时考虑节点特征和图拓扑结构，实验结果表明该方法在基准数据集上具有优异的图分类性能。

Apr, 2019

本文介绍了使用神经架构搜索技术搜索适当的池化方法用于图分类问题，并提出了一个可以涵盖现有人工设计的池化方法的框架，并在此框架上设计了一个新的搜索空间，在六个真实世界的数据集上做出了有效和高效的实验。

Aug, 2021

本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

Nov, 2018

本研究提出了一种基于图解析算法的图池化网络（Graph Parsing Network, GPN），通过学习每个个体图的个性化池化结构，提高了在图分类任务中的性能，同时在节点分类任务中保持了竞争力，并能通过相关测试来衡量内存和时间效率。

Feb, 2024