EigenPooling是一种用于图卷积神经网络中的自适应池化方法，由Google Brain团队在2020年提出。它的核心思想是通过将所有特征向量进行特征值分解，从而获得每个节点的特征映射，并将其作为下一层的输入。EigenPooling通过自适应地聚合整个图的特征向量，而不是通过简单地池化特定节点的信息来生成图级表示。它在许多基准数据集上取得了很好的效果，并且具有较强的可解释性，可以帮助人们更好地理解图卷积网络中的特征提取过程。
EigenPooling 是一种基于分割的图池化方法，它可以将一个图分割成若干个子图，并通过对子图应用局部特征池化操作，得到每个子图的局部特征，最后将这些子图的特征进行拼接、池化得到整个图的全局特征表示。相比于之前的一些基于全局池化的方法，EigenPooling 能更好地保留了图的局部结构信息，而且其对每个子图的池化方式是自适应的，可以学习到更加有效的局部特征，从而提高图分类的准确性。
