Les réseaux de neurones convolutifs (CNN) ont permis des avancées majeures dans la classification d'images grâce à la convolution et au pooling. En particulier, le pooling sur image transforme une grille discrète connexe en une grille réduite de même connexité et permet aux fonctions de réduction de prendre en compte tous les pixels de l'image. Cependant, un pooling satisfaisant de telles propriétés n'existe pas pour les graphes. En effet, certaines méthodes sont restreintes à la sélection de sommets selon leur importance. Ceci induit la création de graphes réduits non connexes et une perte d'information importante. D'autres méthodes apprennent un partitionnement flou des sommets causant une hyper-connectivité du graphe réduit. Dans cette publication, nous proposons de pallier ces problématiques à l'aide de notre méthode de pooling, nommée MIVSPool. Elle est basée sur une sélection de sommets appelés sommets survivants à l'aide d'un ensemble de sommets indépendant maximal (MIVS) et d'une affectation des autres sommets aux survivants. Par conséquent, notre méthode donne la garantie de préserver la totalité de l'information du graphe lors de sa réduction. Les résultats expérimentaux montrent une augmentation de l'exactitude de la classification sur plusieurs jeux de données standards.