Les réseaux de neurones sur graphes (GNN) se sont avérés efficaces pour modéliser les données structurées en graphes afin de résoudre des tâches telles que la classification de nœuds, la prédiction de liens et la classification de graphes. Des progrès récents ont été réalisés dans la définition du concept de pooling sur graphes, où le modèle vise à générer une représentation au niveau du graphe en sous-échantillonnant et en résumant les informations présentes aux nœuds. Toutefois, les méthodes de pooling existantes échouent soit à capturer efficacement la sous-structure du graphe, soit à s'échelonner facilement à de grands graphes. Dans ce travail, nous proposons ASAP (Adaptive Structure Aware Pooling), une méthode de pooling creuse et différentiable qui surmonte les limites des architectures de pooling précédentes. ASAP utilise un réseau d'attention auto-référentiel novateur combiné à une formulation modifiée de GNN afin de capturer l'importance de chaque nœud dans un graphe donné. Elle apprend également une affectation de clusters douce et creuse pour les nœuds à chaque couche, permettant ainsi de regrouper efficacement les sous-graphes afin de former le graphe agrégé. Grâce à des expériences approfondies sur plusieurs jeux de données et à une analyse théorique, nous justifions le choix des composants intégrés dans ASAP. Nos résultats expérimentaux montrent qu’en combinant les architectures GNN existantes avec ASAP, on obtient des performances de pointe sur plusieurs benchmarks de classification de graphes. ASAP améliore en moyenne les résultats de 4 % par rapport à la méthode actuelle de pointe pour le pooling creux hiérarchique.