[论文解读] Clique pooling for graph classification

Enxhell Luzhnica, Ben Day+1 more|arXiv (Cornell University)|Mar 31, 2019

Graph Theory and Algorithms参考文献 12被引用 31

一句话总结

本文提出Clique Pooling，一种非参数化的图池化方法，仅通过拓扑结构聚合最大团（完全连通子图）来对图进行粗化。该方法具有可解释性，完全基于拓扑结构，且与图神经网络及标准CNN兼容，在基准图分类数据集上表现具有竞争力，且在替换标准2×2池化操作时，CIFAR-10上的准确率仅出现微小但统计显著的下降（92.0% vs. 92.4%）。

ABSTRACT

We propose a novel graph pooling operation using cliques as the unit pool. As this approach is purely topological, rather than featural, it is more readily interpretable, a better analogue to image coarsening than filtering or pruning techniques, and entirely nonparametric. The operation is implemented within graph convolution network (GCN) and GraphSAGE architectures and tested against standard graph classification benchmarks. In addition, we explore the backwards compatibility of the pooling to regular graphs, demonstrating competitive performance when replacing two-by-two pooling in standard convolutional neural networks (CNNs) with our mechanism.

研究动机与目标

• 开发一种完全基于拓扑结构且非参数化的图池化机制，避免使用可学习参数以提升可解释性。
• 设计一种池化操作，其作为CNN中图像粗化的更自然类比，优于现有基于过滤或剪枝的方法。
• 确保与普通图的后向兼容性，支持直接替换标准CNN架构（如VGG）中的池化层。
• 在图分类基准上实现具有竞争力的性能，同时保持计算效率和稳定性。
• 证明非参数化、基于拓扑的池化策略可与参数化方法（如DiffPool）相媲美或超越其性能。

提出的方法

• 使用改进的Bron-Kerbosch算法识别图中所有最大团。
• 根据团的大小将节点分配给团，若存在并列情况则将节点分配至多个团。
• 每个团在粗化图中成为超级节点，其特征为组成节点特征的均值。
• 超级节点之间的边由其对应团中节点间是否存在边决定。
• 池化操作在多层中分层应用，读出函数通过拼接均值池化和最大池化结果来聚合特征。
• 该方法被集成至GCN和GraphSAGE架构中，并在不规则图与规则网格（如CIFAR-10）上进行测试。

实验结果

研究问题

• RQ1 纯粹基于拓扑结构且非参数化的池化机制是否能在图分类任务中表现优于或至少不逊于参数化图池化方法？
• RQ2 基于团的池化方法是否比现有图池化技术更自然地类比于CNN中的图像粗化过程？
• RQ3 所提出的方法是否可无缝替换标准CNN架构中的池化层而无需修改网络结构？
• RQ4 Clique Pooling在标准图基准上的性能与SOTA方法（如DiffPool和GraphSAGE）相比如何？
• RQ5 在CNN中用Clique Pooling替换标准2×2最大池化操作，对图像分类准确率有何影响？

主要发现

• 在Enzymes数据集上，Clique Pooling达到60.71%的准确率，优于GraphSAGE基线（54.25%）及大多数核方法和GNN方法。
• 在DD数据集上，Clique Pooling达到77.33%的准确率，优于GraphSAGE基线（75.42%），仅略低于DiffPool。
• 在Proteins数据集上，Clique Pooling达到72.59%的准确率，超过GraphSAGE（68.25%）及大多数其他非参数化方法。
• 在Collab数据集上，Clique Pooling达到74.50%的准确率，优于GraphSAGE（70.48%）及大多数其他非参数化方法。
• 在CIFAR-10实验中，Clique Pooling的平均准确率为92.0%（标准差±0.5%），相比2×2最大池化基线（92.4%）略有下降，但差异具有统计显著性（p=0.02）。
• 该方法为非参数化，无需可学习参数，从而增强了可解释性，并避免了如DiffPool等方法中常见的训练不稳定性问题。