本稿では、グラフのノードの順列に対して不変なエンドツーエンドの深層学習モデル「PiNet」を提案しています。このモデルは、異なる次元のグラフに対する固定サイズの表現学習の課題に対し、微分可能なノード注意プーリング機構を用いてアプローチします。順列不変性の理論的証明に加え、事例数が限られた状況での同型グラフ分類タスクにおいて、統計的に有意な精度向上を示す実証的証拠も提供します。さらに、グラフ畳み込みを行うためのローカルメッセージパッシング機構の促進における異なる行列の効果を分析し、学習されたパラメータペアにより滑らかに遷移できる行列のパラメータ化も検討します。最後に、提案モデルは分子データセットで既存の技術と競争力のある分類性能を達成することを示しています。