Wir betrachten das Problem des Repräsentationslernens für Graphendaten. Faltungsneuronale Netze können sich auf Bilder natürlich auswirken, aber bei der Verarbeitung von Graphendaten stehen sie vor erheblichen Herausforderungen. Da Bilder spezielle Fälle von Graphen mit Knoten auf 2D-Gittern sind, haben Grapheneinbettungsaufgaben eine natürliche Korrespondenz zu bildbasierten Pixelvorhersageaufgaben wie der Segmentierung. Obwohl Encoder-Decoder-Architekturen wie U-Nets erfolgreich auf vielen bildbasierten Pixelvorhersageaufgaben angewendet wurden, fehlen ähnliche Methoden für Graphendaten. Dies liegt daran, dass Pooling- und Upsampling-Operationen auf Graphendaten nicht natürlich sind. Um diese Herausforderungen anzugehen, schlagen wir in dieser Arbeit neue Graph-Pooling- (gPool) und Unpooling- (gUnpool) Operationen vor. Die gPool-Schicht wählt adaptive einige Knoten basierend auf ihren skalaren Projektionswerten auf einem trainierbaren Projektionsvektor aus, um einen kleineren Graphen zu bilden. Wir schlagen zudem die gUnpool-Schicht als die inverse Operation der gPool-Schicht vor. Die gUnpool-Schicht stellt den Graphen unter Verwendung der Positionsinformation der in der entsprechenden gPool-Schicht ausgewählten Knoten in seine ursprüngliche Struktur zurück. Auf Basis unserer vorgeschlagenen gPool- und gUnpool-Schichten entwickeln wir ein Encoder-Decoder-Modell für Graphen, bekannt als graphische U-Nets. Unsere experimentellen Ergebnisse bei Knotenklassifikations- und Graphklassifikationsaufgaben zeigen, dass unsere Methoden konsistent bessere Leistungen als frühere Modelle erzielen.