في الآونة الأخيرة، قام الشبكات العصبية الرسومية (GNNs) بثورة في مجال تعلم تمثيلات الرسم البياني من خلال تعلم متجهات عقد فعالة، وحققت نتائجًا رائدة في مهام مثل تصنيف العقد وتوقع الروابط. ومع ذلك، فإن الطرق الحالية للشبكات العصبية الرسومية هي بطبيعتها مسطحة ولا تتعلم التمثيلات الهرمية للرسوم البيانية - وهو قيد يكون خاصًا بالمشكلة في مهمة تصنيف الرسم البياني، حيث الهدف هو التنبؤ بالتصنيف المرتبط برسم بياني كامل. هنا نقترح DiffPool، وهو وحدة جمع رسومي قابلة للمفاضلة يمكنها إنشاء تمثيلات هرمية للرسوم البيانية ويمكن دمجها مع مختلف هياكل الشبكات العصبية الرسومية بطريقة شاملة من النهاية إلى النهاية. يتعلم DiffPool تعيين مجموعة مرنة قابلة للمفاضلة للعقد في كل طبقة من طبقات GNN العميقة، مما يربط العقد بمجموعة من المجموعات التي تشكل بدورها المدخل المُخَشَّن للطبقة التالية من GNN. تظهر نتائج اختباراتنا أن دمج الطرق الحالية لـ GNN مع DiffPool يؤدي إلى تحسن متوسط بنسبة 5-10% في الدقة على مقاييس تصنيف الرسم البياني، مقارنة بكافة الطرق الحالية للجمع، مما حقق مستوى جديدًا رائدًا في أربعة من خمسة مجموعات بيانات مقاييس.