通过本研究，我们提出了一种名为 Separated Subgraph-based Hierarchical Pooling (SSHPool) 的新型局部图池化方法，通过分配样本图中的节点到不同聚类中从而得到一组分离的子图，然后利用局部图卷积单元将每个子图进一步压缩为粗化节点，将原始图转化为粗化图。通过层级执行这些过程，SSHPool 可以从原始图结构中有效提取层级全局特征，包含丰富的内在结构特征。通过与 SSHPool 模块相关的端到端 GNN 框架进行实验，结果表明所提出模型在真实数据集上表现优异，以分类准确度而言明显优于最先进的 GNN 方法。

Mar, 2024

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

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

提出一种基于串联的图卷积机制和一种新颖的图池模块，用于增强识别非同构子图的区别能力，并且提出一种新颖的子图模式 GNN（SPGNN）架构，实验结果表明该方法在图分类方面具有与最先进的图核心和其他 GNN 方法相媲美的表现。

Apr, 2024

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

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

本篇研究提出 ASAP 池化方法，利用自注意力网络和改进后的图神经网络对节点的重要性进行建模，通过对多个数据集的实验和理论分析，证明了 ASAP 方法在图分类任务上的优足够表现，相比现有的稀疏分层方法平均提高了４％。

Nov, 2019

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 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