最近、グラフニューラルネットワーク（GNN）は効果的に学習されたノード埋め込みを用いて、グラフ表現学習の分野を革命し、ノード分類やリンク予測などのタスクで最先端の結果を達成しています。しかし、現在のGNN手法は本質的に平坦であり、階層的なグラフ表現を学習しません。これは特に、全体のグラフに関連するラベルを予測することを目指すグラフ分類タスクにおいて問題となります。本稿では、DiffPoolと呼ばれる微分可能なグラフプーリングモジュールを提案します。このモジュールは階層的なグラフ表現を生成でき、さまざまなGNNアーキテクチャと組み合わせてエンドツーエンドで使用することができます。DiffPoolは深層GNNの各層でノードに対する微分可能なソフトクラスタ割り当てを学習し、ノードをクラスタセットにマッピングします。これらのクラスタが次のGNN層への粗い入力として形成されます。実験結果によると、既存のGNN手法にDiffPoolを組み合わせることにより、グラフ分類ベンチマークでの精度が平均して5-10%向上しました。これは既存のすべてのプーリング手法と比較して大幅な改善であり、5つのベンチマークデータセットのうち4つで新しい最先端の性能を達成しています。