本论文提出使用二阶汇集技术作为图聚合技术，结合双线性映射和注意力机制的二阶汇集方法性能优越，在图分类任务中取得了显著的表现提升。

Jul, 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

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

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

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

GMPool 是一种新颖的可微的图池化架构，可以自动确定基于输入数据的适当聚类数，通过计算分组矩阵并分解它来获得池化算子，从而在分子属性预测任务中优于传统方法。

Sep, 2022

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