Diese Arbeit verallgemeinert Graph-Neuronale Netze (GNNs) über jene hinaus, die auf dem Weisfeiler-Lehman-Algorithmus (WL), dem Graph-Laplace-Operator und Diffusionen basieren. Unser Ansatz, der als Relationales Pooling (RP) bezeichnet wird, stützt sich auf die Theorie der endlichen partiellen Austauschbarkeit, um einen Rahmen mit maximaler Darstellungskraft für Graphen bereitzustellen. RP kann mit existierenden Graph-Darstellungsmodellen zusammenarbeiten und erweist sich – etwas gegenintuitiv – als noch leistungsfähiger als der ursprüngliche WL-Isomorphietest. Zudem ermöglicht RP es, Architekturen wie Rekurrente Neuronale Netze und Faltungsschicht-Neuronale Netze in einem theoretisch fundierten Ansatz für die Graph-Klassifizierung einzusetzen. Wir zeigen eine verbesserte Leistung von RP-basierten Graph-Darstellungen im Vergleich zu den neuesten Methoden bei einer Reihe von Aufgaben.