EdgePool是一种图神经网络中的池化操作，它通过保留重要的边而不是节点来减少图中的规模，类似于经典的MaxPooling操作。EdgePool的核心思想是，根据每个边的权重将图分成两个子图，并将边权重最大的一部分保留，从而缩小图的规模。
EdgePool的具体实现方式是，将所有边按照权重从大到小排序，并选择权重最大的前K条边。将这K条边连接的节点作为新的节点，形成池化后的图。由于边权重的不同，每个节点可能与不同数量的边连接，因此对于每个新节点，需要进行平均池化来获得它的特征表示。
EdgePool相比于传统的节点池化方法，能够更好地保留图的结构信息，并在一定程度上解决了节点池化方法的不足。EdgePool的实验结果表明，在一些图分类任务中，它能够达到更好的性能。
EdgePool是在2018年的论文《Towards Graph Pooling by Edge Contraction》中提出的。
该方法将 边收缩这一图论领域重要的变换操作与端对端的学习机制结合起来， 实现了对图数据的层次化池化操作。概括地说，该方法迭代式地对每条边上的节点进行两两归并形成一个新的节点，同时保留合并前两个节点的连接关系到新节点上。
EdgePool与DIFFPOOL一样，都是不断对图中所有节点进行融合学 习，不同的是DIFFPOOL需要自行设置聚类簇数，而EdgePool利用边收缩将节点归并比率严格控制在0.5，另外，正是因为利用了边收缩的原理，EdgePool仅将相近的邻居节点进行归并，这种做法具有如下优点：节点的融合都是从边进行的，这契合了图的结构信息，更加合理；同时该操作也保留了融合之后图中连接的稀疏性，空间复杂度更 低。作为一种端对端的池化机制，EdgePool也可以被广泛地整合到各个GNN模型中，以完成对图分类任务的学习。
