全体画像の分類は機械学習における古典的な問題であり、グラフニューラルネットワークは非常に不規則な幾何学構造を学習するための強力な手法です。点群データにおいて、全体の分類を決定する際に特定の部分が他の部分よりも重要であることがよくあります。グラフ構造では、この問題に対処するために最初に畳み込みフィルタの終端で情報をプーリングし、その後静的なグラフ上で様々な段階的なプーリング技術が発展してきました。本論文では、予め定義されたグラフ構造を必要としない動的グラフに基づくプーリング手法が導入されます。これは中間クラスタリングを通じてデータ間の最も重要な関係性を動的に学習することで実現されます。ネットワークアーキテクチャは表現サイズと効率性に関する興味深い結果を示しており、画像分類から高エネルギー粒子物理学におけるエネルギーレグレッションまで多くのタスクに容易に適応します。