本論文では、グラフ構造データにおけるサブサンプリングを誘導するためのプーリング機構を提案し、グラフ畳み込みニューラルネットワーク（GCN）の構成要素として導入している。このプーリング機構は、モデルによって学習された頂点埋め込み（vertex embedding）を通じて適応的に得られる、頂点の隣接関係と類似性を表す行列に対する非負行列因子分解（Non-Negative Matrix Factorization, NMF）に基づいている。この機構を用いることで、非負因子分解の結果をもとに頂点が適応的にコミュニティに統合され、段階的に粗いグラフが構築される。グラフ分類ベンチマークにおける実証的分析の結果、この粗視化プロセスが、プーリングを適用しない対照モデルと比較して、モデルの予測性能を顕著に向上させることを示している。