一种面向可扩展图自编码器的退化框架
机器学习
2022-06-22 v3 社会与信息网络
机器学习
摘要
在本文中，我们提出了一个用于扩展图自编码器（AE）和图变分自编码器（VAE）的通用框架。该框架利用图退化概念，仅从节点的稠密子集而非整张图来训练模型。结合一个简单而有效的传播机制，我们的方法在保持性能的同时显著提升了可扩展性和训练速度。我们在现有图 AE 和 VAE 的若干变体上评估并讨论了我们的方法，首次将这些模型应用于具有多达数百万节点和边的大规模图。我们相对于几种流行的可扩展节点嵌入方法取得了具有经验竞争力的结果，这强调了进一步研究更具可扩展性的图 AE 和 VAE 的相关性。
引用
@article{arxiv.1902.08813,
title = {A Degeneracy Framework for Scalable Graph Autoencoders},
author = {Guillaume Salha and Romain Hennequin and Viet Anh Tran and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:1902.08813},
year = {2022}
}
备注
International Joint Conference on Artificial Intelligence (IJCAI 2019)