膠囊圖神經網絡（CapsGNN）是在GNN啟發下誕生了基于圖片分類的新框架。CapsGNN在10個數據集中的6個的表現排名位居前兩名。與所有其他端到端架構相比，CapsGNN在所有社交數據集中均名列首位。

本日Reddit上熱議的一個話題是名為“膠囊圖神經網絡”（CapsGNN）的新框架。從名字不難看出，它是受圖神經網絡（GNN）的啟發，在其基礎上改進而來的成果。

CapsGNN框架的作者為新加坡南洋理工大學電氣與電子工程學院的Zhang Xinyi和Lihui Chen，該研究的論文將在ICLR 2019上發表。

目前，從圖神經網絡（GNN）中學到的高質量節點嵌入已經應用于各種基于節點的應用程序中，其中一些程序已經實現了最先進的性能。不過，當應用程序用GNN學習的節點嵌入來生成圖形嵌入時，標量節點表示可能不足以有效地保留節點或圖形的完整屬性，從而導致圖形嵌入的性能達不到最優。

膠囊圖神經網絡（CapsGNN）受到了膠囊神經網絡的啟發，利用膠囊的概念來解決現有基于GNN的圖嵌入算法的缺點。CapsGNN以膠囊形式對節點特征進行提取，利用路由機制來捕獲圖形級別的重要信息。因此，模型會為每個圖生成多個嵌入，從多個不同方面捕獲圖的屬性。

CapsGNN中包含的注意力模塊可用于處理各種尺寸的圖，讓模型能夠專注處理圖的關鍵部分。通過對10個圖結構數據集的廣泛評估表明，CapsGNN具有強大的機制，可通過數據驅動捕獲整個圖的宏觀屬性。在幾個圖分類任務上的性能優于其他SOTA技術。

膠囊圖神經網絡基本架構

上圖所示為CapsGNN的簡化版本。它由三個關鍵模塊組成：1）基本節點膠囊提取模塊：GNN用于提取具有不同感受野的局部頂點特征，然后在該模塊中構建主節點膠囊。 2）高級圖膠囊提取模塊：融合了注意力模塊和動態路由，以生成多個圖膠囊。 3）圖分類模塊：再次利用動態路由，生成用于圖分類的類膠囊。

注意力模塊

在CapsGNN中，基于每個節點提取主膠囊，即主膠囊的數量取決于輸入圖的大小。在這種情況下，如果直接應用路由機制，則生成的高級別的膠囊的值將高度依賴于主膠囊的數量（圖大小），這種情況并不理想。因此，實驗引入一個注意力模塊來解決這個問題。

注意力模塊架構。首先壓平主膠囊，利用兩層全連接神經網絡產生每個膠囊的注意力值。利用基于節點的歸一化（對每行進行歸一化）來生成最終注意力值。 將標準化值與主膠囊相乘來計算標度膠囊。

實驗設置與結果

我們驗證了從CapsGNN中提取的圖嵌入與大量SOTA方法的性能，與一些經典方法的最優性能做了對比。此外還進行了實驗研究，評估膠囊對圖編碼特征效率的影響。我們對生成的圖/類膠囊進行了簡要分析。實驗結果和分析如下所示。

表1為生物數據集的實驗結果，表2為社會數據集的實驗結果。對于每個數據集，以粗體突出顯示前2個準確度。

與所有其他算法相比，CapsGNN在10個數據集中的6個的表現排名位居前兩名，并且在其他數據集上也實現了基本相當的結果。與所有其他端到端架構相比，CapsGNN在所有社交數據集中均名列首位。

表1：生物數據集的實驗結果

表2：社交數據集的實驗結果

膠囊的效率

在膠囊的效率測試實驗中，GNN的層數設置為L = 3，每層的通道數都設置為Cl = 2。通過調整節點的維度（dn）、圖（dg）、膠囊和圖形、膠囊的數量（P）來構造不同的CapsGNN。

表3：膠囊效率評估實驗中經過測試的體系結構詳細信息

圖3：特征表示效率的比較。橫軸表示測試架構的設置，縱軸表示NCI1的分類精度。

圖膠囊的可視化

分類膠囊的可視化

膠囊圖網絡：基于GNN的高效快捷的新框架

CapsGNN是一個新框架，將膠囊理論融合到GNN中，來實現更高效的圖表示學習。該框架受CapsNet的啟發，在原體系結構中引入了膠囊的概念，在從GNN提取的節點特征的基礎上，以向量的形式提取特征。

利用CapsGNN，一個圖可以表示為多個嵌入，每個嵌入都可以捕獲不同方面的圖屬性。生成的圖形和類封裝不僅可以保留與分類相關的信息，還可以保留關于圖屬性的其他信息，這些信息可能在后續流程中用到。CapsGNN是一種新穎、高效且強大的數據驅動方法，可以表示圖形等高維數據。

與其他SOTA算法相比，CapsGNN模型在10個圖表分類任務中有6個成功實現了更好或相當的性能，在社交數據集上的表現尤其顯眼。與其他類似的基于標量的體系結構相比，CapsGNN在編碼特征方面更有效，這對于處理大型數據集非常有用。

關于開源代碼和模型的一些補充信息

運行環境

代碼庫在Python 3.5.2中實現。用于開發的軟件包版本如下：

networkx 1.11tqdm 4.28.1numpy 1.15.4pandas 0.23.4texttable 1.5.0scipy 1.1.0argparse 1.1.0torch 0.4.1torch-scatter 1.1.2torch-sparse 0.2.2torch-cluster 1.2.4torch-geometric 1.0.3torchvision 0.2.1

數據集

代碼會從input文件夾中獲取訓練圖，圖存儲形式為JSON。用于測試的圖也存儲為JSON文件。每個節點id和節點標簽必須從0開始索引。字典的鍵是存儲的字符串，以使JSON能夠序列化排布。

每個JSON文件都具有以下的鍵值結構：

{"edges": [[0, 1],[1, 2],[2, 3],[3, 4]], "labels": {"0": "A", "1": "B", "2": "C", "3": "A", "4": "B"}, "target": 1}

邊緣鍵（edgeskey）具有邊緣列表值，用于描述連接結構。標簽鍵具有每個節點的標簽，這些標簽存儲為字典- 在此嵌套字典中，標簽是值，節點標識符是鍵。目標鍵具有整數值，該值代表了類成員資格。

輸出

預測結果保存在output目錄中。每個嵌入都有一個標題和一個帶有圖標識符的列。最后，預測會按標識符列排序。

訓練CapsGNN模型由src /main.py腳本處理，該腳本提供以下命令行參數。

輸入和輸出選項

--training-graphs STR Training graphs folder. Default is `dataset/train/`. --testing-graphs STR Testing graphs folder. Default is `dataset/test/`. --prediction-path STR Output predictions file. Default is `output/watts_predictions.csv`.

模型選項

--epochs INT Number of epochs. Default is 10. --batch-size INT Number fo graphs per batch. Default is 32. --gcn-filters INT Number of filters in GCNs. Default is 2. --gcn-layers INT Number of GCNs chained together. Default is 5. --inner-attention-dimension INT Number of neurons in attention. Default is 20. --capsule-dimensions INT Number of capsule neurons. Default is 8. --number-of-capsules INT Number of capsules in layer. Default is 8. --weight-decay FLOAT Weight decay of Adam. Defatuls is 10^-6. --lambd FLOAT Regularization parameter. Default is 1.0. --learning-rate FLOAT Adam learning rate. Default is 0.01.