提出了一种新的插入式得分方案 MID，由一个具有两个运算符的多维得分空间（flipscore 和 dropscore ）组成，可以在节点特征和图结构方面考虑图形差异性，相比于现有的节点删除池化方法达到了约 2.8％的改进效果。

Jun, 2023

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

提出了一个基于 Multiset 编码原理的 Graph Multiset Transformer (GMT) 图池化方法，通过多头注意力机制捕捉节点的结构依赖关系，克服了现有图池化方法的局限性，并在各项图形任务上表现出了优越性。

Feb, 2021

提出了一种新的图显式汇聚（GrePool）方法，通过明确利用节点之间的关系和最终表示向量的选择，解决了现有图汇聚方法中的两个关键问题，并进行广泛的实验证明其在分类准确度方面优于 14 个基线方法。

Nov, 2023

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

本文提出了一种有意识地考虑图形拓扑结构的拓扑感知池化层（TAP）方法，通过局部选票和全局选票两个阶段的投票过程来选择更重要的节点，在保证采样图的更好图连接性的条件下，合并本地和全局投票分数，从而提高图分类任务的效果。

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

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

本文探讨了不同的图池化方法对基于混合数据增广方法（Manifold Mixup）的影响，并在自然语言和编程语言数据集上进行了实验，结果表明混合池化方法比标准的最大池化和最先进的图多重集变换器（GMT）池化更适合于 Mixup，具有更好的度量精度和鲁棒性。

Oct, 2022