本文作者来自于University of Cambridge，本文是一篇workshop，并且其内容也十分简单。本文提出了一种以clique（团）作为单元池的新型图池操作。由于这种方法是纯拓扑的，而不是特性的，它更容易解释，而且完全非参数化。该操作在图卷积网络(GCN)和GraphSAGE架构中实现，并通过标准图分类基准测试。此外，我们还探索了池化与规则图（像素图）的兼容性，演示了在使用我们的机制替换标准卷积神经网络(CNNs)中的2*2池化时具有竞争性的性能。
Model
话不多说，上图。
clique pool
之所以说本文是完全基于拓扑的，是因为相比于需要学习Assignment Matrix的DiffPool，此方法的池化完全是依赖于最大团的。最大团被视为一个天然的cluster，并作为池化之后的超图，因此在池化的过程中只需要找出最大团即可，并且不需要任何学习参数。
团是一个图的子图，其中任意两个节点之间都存在着边相连。
假如一个节点属于多个团，那么则需要将节点归类到所属的最大团中（节点最多的团，比如图中灰色clique6），而若有两个相等的最大团，则节点同属于两个团（比如图中蓝色clique2和紫色clique3）。同时，粗化之后的团被视为super node，并根据共享结点为super node添加关系。
而对于特征粗化，则使用使用层中所有节点的平均值和最大值的连接；经过多次卷积与池化之后，MLP的全部输入是每一层表示的串联。
本文的池化也可以近似代替CNN中的池化，cnn通常取池内的最大值，直到最后一层。
在实际的最大团求解中，采用了Bron-Kerbosch algorithm，这部分的详细内容可以参考：https://www.jianshu.com/p/437bd6936dad。
寻找极大团的简单思想是：
- 生成原图的所有子图。如果结点A-B之间存在边，那么由A-B构成的就是一个很基础的团。因为假设的大前提是图处处连通，所以一定可以生成这种基础的形式。：
- 之后判断子图们是不是团。
- 删除不是极大团的团。
对于Bron-Kerbosch algorithm，主要构造了三个集合去实现上述步骤。
- R集合记录的是当前极大团中已经加入的点。
- P集合记录的是可能还能加入的点（也就是与R集合中所有点都有边存在的点，这样加入后，才会构成团）
- X集合记录的是已经加入过某个极大团的点（作用是判重，因为会从每个结点开始，枚举所有的团，如果不对已经加入某个极大团的点，进行标记，可能会有重复的极大团出现）
其伪代码如下：
Bron-Kerbosch Algorithm(Version 1)
R={} //已确定的极大团顶点的集合
P={v} //未处理顶点集，初始状态是所有结点
X={} //已搜过的并且属于某个极大团的顶点集合BronKerbosch(R, P, X):if P and X are both empty:report R as a maximal cliquefor each vertex v in P:BronKerbosch1(R ? {v}, P ? N(v), X ? N(v))P := P \ {v}X := X ? {v}
在应用的过程中，本文还提到了两个定理：
- Lemma 1：在给定一个连通的有限图，在经过多次clique-Pooling之后的图最终会变成一个点。
- Lemma 2：对一个chain应用
次clique-pool可以将节点数目减少
。这个也是显然的，因为chain的最大团只包含两个节点，具体的过程看图就一目了然：
APPLICATION TO IMAGES
clique pool可以代替CNN中的池化。如图，对于2×2的网格，只需要两两节点之间添加边就好了，对于3×3的也是如此。所以在实际中，就可以对网格状的图应用GCN与池化了。
EXPERIMENTAL SETUP & RESULTS
啊这部分setting我就不翻译了，直接列原文了：
具体的结果如表1所示：
平心而论，这个算法只能说就那样，和那些具有学习参数的算法比起来差了不止一星半点。并且寻找最大团的过程也是一个具有高时间复杂度的过程，我感觉对于大型图来说速度应该不快。然后在与VGG比起来，clique pool也差不多：
小总结
这篇论文真的是以巧取胜，但是我觉得对其创新之处的强调并不是很足。首先没有很直接地比较参数的数量与计算时间，因为学习参数数量为0是一个很亮的地方（就连gPool都要学n个参数呢）。其次，由于最大团的池化使得池化具有很强的可解释性，但是可能因为是work shop就并没有详细地探讨这一部分。