DiffPool是一种基于图分割的图神经网络模型，用于图分类任务。它的核心思想是通过将原始图划分成较小的子图，生成不同层次的图表示，并将它们馈送到下一层以更好地保留图的结构和拓扑信息。
DiffPool首先利用一个图卷积网络从原始图中提取出节点特征表示，然后使用一个聚合模块将一组节点聚合成一个代表该组节点的超级节点，这个超级节点代表了原始图中的一个子图。对于每个子图，都会生成一个对应的图表示，然后对这些图表示进行聚合，形成一个新的更小的图表示，并重复该过程生成多个层次的图表示。在最后一个子图中，所有节点都被聚合成一个超级节点，形成一个全局图表示，该表示可用于分类任务。
DiffPool的优点在于它可以通过一系列递归分割和聚合操作在不同的抽象级别上学习图的结构信息，这使得它比一些其他基于图卷积网络的方法具有更好的可扩展性和鲁棒性。此外，DiffPool可以有效地处理图中具有不同规模和密度的子图，从而更好地保留了全局信息。
