[论文解读] CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning

Haoteng Tang, Guixiang Ma+3 more|arXiv (Cornell University)|Dec 10, 2020

Advanced Graph Neural Networks参考文献 56被引用 4

一句话总结

本文提出 CommPOOL，一种新颖的可解释图池化框架，通过使用 PAM 聚类进行无监督社区检测，捕捉并保留图中的分层社区结构。通过基于社区中位数对节点进行池化，并聚合结构与特征信息，CommPOOL 在五个基准数据集和一个合成数据集上实现了图分类任务的最先进性能，同时实现了透明、人类可解释的池化操作。

ABSTRACT

Recent years have witnessed the emergence and flourishing of hierarchical graph pooling neural networks (HGPNNs) which are effective graph representation learning approaches for graph level tasks such as graph classification. However, current HGPNNs do not take full advantage of the graph's intrinsic structures (e.g., community structure). Moreover, the pooling operations in existing HGPNNs are difficult to be interpreted. In this paper, we propose a new interpretable graph pooling framework - CommPOOL, that can capture and preserve the hierarchical community structure of graphs in the graph representation learning process. Specifically, the proposed community pooling mechanism in CommPOOL utilizes an unsupervised approach for capturing the inherent community structure of graphs in an interpretable manner. CommPOOL is a general and flexible framework for hierarchical graph representation learning that can further facilitate various graph-level tasks. Evaluations on five public benchmark datasets and one synthetic dataset demonstrate the superior performance of CommPOOL in graph representation learning for graph classification compared to the state-of-the-art baseline methods, and its effectiveness in capturing and preserving the community structure of graphs.

研究动机与目标

• 为解决现有分层图池化网络（HGPNNs）在池化操作方面缺乏可解释性的问题，特别是池化过程的不透明性。
• 在图表示学习过程中保留图的内在分层社区结构，该特性在标准 GNN 中常被忽略。
• 开发一种通用、灵活且可解释的图级别表示学习框架，以提升图分类任务的性能。
• 通过对比基于社区的池化与半随机池化，证明社区结构在图分类中的关键作用。

提出的方法

• CommPOOL 采用基于节点特征相似性的无监督社区检测方法，利用基于中心点的划分（PAM）聚类识别图中的自然社区。
• 该框架通过将每个检测到的社区的中位数节点选为该社区的代表节点，实现分层池化。
• 将社区内所有成员的节点特征和结构信息聚合至中位数节点，以保留局部及社区级别的表示。
• 池化过程本质上是可解释的，因为社区结构被显式检测并可视化，使用户能够追踪节点如何被分组与下采样。
• 该方法被整合进基于 GNN 的架构中，联合学习局部节点特征与分层社区级别的表示。
• 该框架采用具有多个池化层的 GNN 主干网络进行评估，支持图分类任务的端到端训练。

实验结果

研究问题

• RQ1 如何以既有效又可解释的方式捕捉并保留图的分层结构？
• RQ2 与非社区感知的池化策略相比，基于社区的池化是否能提升图分类性能？
• RQ3 保留真实的社区结构在多大程度上影响模型性能与鲁棒性？
• RQ4 池化操作是否透明且可解释，使用户能够理解哪些节点被分组以及为何如此分组？

主要发现

• CommPOOL 在五个公开的图分类基准数据集上实现了最先进性能，优于现有 SOTA 方法。
• 在 PROTEINS 数据集上，CommPOOL 达到 74.74% 的准确率，显著高于半随机池化基线的 64.90%。
• 在 BZR 数据集上，CommPOOL 达到 86.00% 的准确率，而半随机池化为 81.50%，表明正确保留社区结构的重要性。
• 在合成模拟数据集上，CommPOOL 达到 80.14% 的准确率，而半随机池化为 70.34%，进一步验证了社区结构的关键作用。
• 可视化结果证实，CommPOOL 有效捕捉了有意义的社区结构，而当社区定义不清晰时则发生误分类。
• 消融实验表明，即使半随机划分在一定程度上保留了分层结构，基于社区的池化仍显著优于其效果。