الشبكات العصبية الرسومية، التي تعمم نماذج الشبكات العصبية العميقة على البيانات ذات الهيكل الرسومي، قد جذبت اهتمامًا متزايدًا في السنوات الأخيرة. عادةً ما تتعلم هذه الشبكات تمثيلات العقد من خلال تحويل ونقل وتجميع خصائص العقد، وقد أثبتت فعاليتها في تحسين أداء العديد من المهام المتعلقة بالرسوم البيانية مثل تصنيف العقد وتوقع الروابط. لتطبيق الشبكات العصبية الرسومية في مهمة تصنيف الرسم البياني، يتطلب الأمر طرقًا لإنشاء \textit{تمثيل الرسم البياني} من تمثيلات العقد. الطريقة الشائعة هي الجمع العالمي لتمثيلات العقد. ومع ذلك، يتم إغفال المعلومات الهيكلية الغنية. لذلك، يُرغب في وجود عملية تقليص هرمية للحفاظ على هيكل الرسم البياني أثناء تعلم تمثيل الرسم البياني. هناك بعض الأعمال الحديثة حول تعلم تمثيل الرسم البياني بطريقة هرمية مشابهة لخطوة التقليص في الشبكات العصبية التلافيفية التقليدية (CNN). ومع ذلك، لا يزال يتم إهمال المعلومات الهيكلية المحلية بشكل كبير أثناء عملية التقليص. في هذا البحث، نقدم مشغل تقليص $\pooling$\pooling يستند إلى تحويل فورييه للرسم البياني، والذي يمكنه استخدام خصائص العقد والهيكل المحلي أثناء عملية التقليص. ثم نصمم طبقات تقليص تعتمد على مشغل التقليص، والتي يتم دمجها مع طبقات التلفيف GCN التقليدية لتشكيل إطار عمل شبكة عصبية رسومية $\m$\m لتصنيف الرسم البياني. يتم تقديم تحليل نظري لفهم $\pooling$\pooling من وجهتي النظر المحلية والعالمية. تظهر النتائج التجريبية لمهمة تصنيف الرسم البياني على $6$6 مقاييس شائعة الاستخدام فعالية الإطار المقترح.