Kürzlich haben Graph-Neuronale Netze (GNNs) das Gebiet des Lernens von Graphrepräsentationen durch effektiv gelernte Knoteneinbettungen revolutioniert und dabei in Aufgaben wie Knotenklassifikation und Link-Vorhersage Stand der Technik erreichende Ergebnisse geliefert. Allerdings sind aktuelle GNN-Methoden inhärent flach und lernen keine hierarchischen Repräsentationen von Graphen – eine Einschränkung, die insbesondere bei der Graphklassifikation problematisch ist, wo das Ziel darin besteht, das Label eines gesamten Graphen vorherzusagen. Hier stellen wir DiffPool vor, ein differenzierbares Graph-Pooling-Modul, das hierarchische Repräsentationen von Graphen generieren kann und mit verschiedenen GNN-Architekturen in einem end-to-end-Prozess kombiniert werden kann. DiffPool lernt eine differenzierbare weiche Clusterzuordnung für Knoten auf jeder Schicht eines tiefen GNNs, indem es Knoten einer Menge von Clustern zuordnet, die dann als vergröberte Eingabe für die nächste GNN-Schicht dienen. Unsere experimentellen Ergebnisse zeigen, dass die Kombination bestehender GNN-Methoden mit DiffPool im Durchschnitt eine Genauigkeitsverbesserung von 5-10 % bei Benchmarks der Graphklassifikation gegenüber allen existierenden Pooling-Ansätzen erreicht, wobei sie den neuen Stand der Technik auf vier von fünf Benchmark-Datensätzen etabliert haben.