本研究针对传统图神经网络在处理图结构时缺乏多尺度和全局拓扑考虑的问题，提出了LGRPool方法。该方法通过期望最大化框架，实现局部和全局特征的对齐，并引入正则化，使得不同层次的图池化能够更好地结合局部信息与全局拓扑。实验结果表明，该方法在图分类基准测试上表现优于一些基线方法。

本研究提出了一种新颖的异构图神经网络方法，用于轻度认知障碍的诊断。该方法通过建立同质和异质的元路径关系，结合异构图池化策略和数据增强，实验准确率达到93.3%，显著优于其他算法。

研究人员发现将持久同调整合到图神经网络中可以提高性能。他们提出了一种新颖的机制，利用持久同调将全局拓扑不变性注入到池化层中，从而提高了性能。实验结果表明，这种机制在几个流行的数据集上都有显著的性能提升。

本研究开发了一种名为EHCPool的聚类图池化方法，用于提高GCNs的表示学习能力和获取异常脑图。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。该方法在多个脑成像数据集上取得了最先进的性能，通过迭代N-top策略和创新的N-E聚合策略。这是第一种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。