L'article présente un mécanisme de pooling visant à induire un sous-échantillonnage dans les données structurées en graphe, et le présente comme un composant d'un réseau de neurones convolutionnels sur graphe. Ce mécanisme de pooling s'appuie sur une factorisation non négative de matrices (NMF) appliquée à une matrice représentant à la fois l'adjacence entre nœuds et la similarité entre nœuds, cette dernière étant obtenue de manière adaptative à partir des embeddings des sommets appris par le modèle. Ce mécanisme est utilisé pour construire progressivement un graphe plus grossier, dans lequel les nœuds sont regroupés de manière adaptative en communautés selon les résultats de la factorisation non négative. L'analyse expérimentale sur des benchmarks de classification de graphes démontre que ce processus de grossissement conduit à des améliorations significatives de la performance prédictive du modèle par rapport à sa version sans pooling.