本研究提出了一种新的池化操作，解决了大规模稀疏图计算的高成本问题。实验证明该操作在四个基准数据集上优于传统边池方法，降低了计算复杂度和可训练参数70.6%。

本研究扩展了图神经网络（GNN）的理论，提出了新型网络结构和聚合函数，以提高模型的性能和稳健性。实验结果表明，Policy-GNN和ADA-UGNN在图数据建模和聚合优化方面表现优异。此外，研究探讨了信息传播策略和池化操作的设计原则，提出了新的框架和初始化方法，显著提升了模型性能。