本篇论文提出了一种不需要标记技巧，同时能够在维护泛化能力的同时提高可扩展性的用于子图分类的机器学习模型 Stochastic Subgraph Neighborhood Pooling (SSNP)，通过结合子图和其邻域的信息，以及简单的数据增强预处理步骤来多视角观察邻域的信息，并在大规模图像数据集上的实验证明其在性能和速度方面的优越性。

Apr, 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

这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架，通过将节点表示编码为子图而不是子树来表示整个图，从而比 1-WL 更强大地区分几乎所有 r 正则图，并且在基准数据集上表现出高度竞争性表现。

Oct, 2021

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

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

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

使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务，通过神经路由机制，网络能够学习分离的子图表示，其中指定了三个信道以捕捉子图拓扑的不同方面，并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型 19.8%。

Jun, 2020

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

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