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

提出了使用可训练投影向量评估节点重要性来选择新图形的最重要的 K 个节点以达到与图像最大池化层相同目的的图形池 (pooling) 层。同时，结合 GCN 和普通卷积运算进行的混合卷积层 (hConv) 能够快速增加接受野 (receptive field)，自动计算特征等功能，基于提出的 gPool 和 hConv 层，我们为文本分类任务开发了新的深度网络，结果证明基于这些层的网络相比于基线方法具有新的最先进性能。

Jan, 2019

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

本文提出一种新的基于小波压缩的图池化技术 —HaarPooling，用于 Deep Graph Neural Networks 中的图分类和回归问题，实现了数据的稀疏表征和结构信息的保留，使 GNNs 在各种图分类和回归问题上达到了最先进的性能。

Sep, 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

本文提出了面向图形数据的表示学习的新方法，包括 gPooling 和 gUnpooling，并基于这些方法开发了一种编码器 - 解码器模型 —— 图形 U-Nets，实验结果表明该模型在节点分类和图形分类任务中的性能明显优于先前的模型。

May, 2019

本综述文章研究了图卷积神经网络及其在节点分类等领域的应用，并阐述了构建图卷积算子和图池算子的关键步骤。

Jul, 2023

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

该研究探索了卷积神经网络在图信号处理方面的应用，通过构建选择图神经网络和聚合图神经网络，对信号的卷积和池化进行了重新解释，实现了在图数据上的卷积神经网络。此外，该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。

May, 2018