图神经网络（GNN）在学习关系数据的结构表征方面已被广泛采用。层次图池化通过逐步粗化图结构来获取多层次表示，但现有方法往往预设簇的数量或固定的池化比例，这限制了它们对不同图的适应能力。为此我们提出 Graph-Dependent Pooling（GDPool），它能够为每个图动态决定池化的粒度。\
我们首先通过梯度对齐分析层间目标之间的优化冲突，发现独立监督的池化层会向共享参数发送相互冲突的梯度。为缓解此问题，GDPool 采用自注意力机制挑选出代表结构重要性的图特定锚点，并通过软节点分配将这些锚点用于构建粗化图。\
在金属有机框架（MOF）和分子图基准上进行的大规模实验表明，GDPool 在所有基准上均实现了最佳的预测性能。进一步使用模块度和有效簇数进行评估时，GDPool 的模块度始终高于现有方法，且活跃簇的数量随网络深度单调递减。敏感性分析显示，GDPool 对超参数和网络结构的选择具有稳健性。\
点评：GDPool 通过自适应的锚点选择和软分配机制，成功解决了层次池化中粒度固定的问题，为图表示学习提供了更灵活且性能更优的方案。