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 LaPool 的 Hierarchical Graph Pooling 方法，该方法可以提高图分子的表示，有助于药物设计和有效的分子生成。这种方法已经在分子图预测和理解任务上进行了基准测试，并且表现出优于最近 GNN 的性能，同时它也在非分子任务上表现出良好的竞争力。此外，定量和定性评估证明了 LaPool 的解释性和其在药物设计中的潜在益处，并且该方法的可用性也被证明可以集成到对抗性自动编码器中，以生成有效和新颖的分子。

May, 2019

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

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

本文提出了一种新的 Hierarchical Graph Pooling with Structure Learning (HGP-SL) 图池化算子来生成图结构的分层表示，并将其与图神经网络相结合，专注于图分类任务。通过实验结果表明，这种方法在六个广泛应用的基准测试中均取得了良好的效果。

Nov, 2019

本文提出了 DiffPool 模型，可以生成层次化的图表示，并可与各种图神经网络结构直接相结合。实验结果表明，结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10％，相比所有现有的汇聚方法，实现了四个基准数据集的新的最优性。

Jun, 2018

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

本研究提出了一种名为 EdgePool 的图池化层，利用边缩减的概念来学习局部和稀疏的硬池化转换，证明 EdgePool 优于其他池化方法，并且易于集成到大多数 GNN 模型中，提高了节点和图的分类性能。

May, 2019

使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。

Jun, 2020