图池化的目标是将图的节点特征及其拓扑模式压缩为更紧凑的表示。传统方法往往只关注节点的细粒度表示，通过逐步删除节点或将其合并为簇来粗化图结构，却忽略了全局‑局部的层次关系以及图拓扑的自适应粒度。实际中，整个图可以视为最粗的粒度，承载全局拓扑信息；随后从上至下出现越来越细的局部结构，直至每个子域达到其适宜的粒度。
为了解决上述问题，我们提出 Topology-Preserving Adaptive Graph Pooling (TPAGP)。该方法在节点特征和拓扑信息的共同驱动下，动态将图划分为若干 粒球（granular balls），每个粒球对应一种粒度。通过这种划分，TPAGP 能够生成多粒度表示，既保留局部细节，又捕获全局结构。
在此基础上，我们设计了多粒度图网络模型。该模型在不同粒度之间进行特征交互与优化，使得信息可以在全局与局部层次之间自由流动，从而提升图分类的判别能力。
实验在多个公开基准数据集上进行。结果显示，TPAGP 相比现有池化方法在准确率上有显著提升，尤其在固定粒度策略导致的信息损失方面表现出色。
点评：TPAGP 通过自适应的粒球划分实现了全局‑局部信息的统一建模，为图池化提供了新的思路，值得在更复杂的图任务中进一步探索。