一种用于时序图学习的具有时变曲率的自我监督黎曼图神经网络
机器学习
2022-08-31 v1
摘要
时序图上的表示学习因其在广泛现实应用中的基础重要性而引起了相当的研究关注。尽管已有一些研究成功获得时间依赖的表示,仍面临显著挑战。一方面,大多数现有方法将嵌入空间限制为某一固定曲率。然而,底层几何实际上在演化过程中于正曲率超球面、零曲率欧氏和负曲率双曲空间之间转移。另一方面,这些方法通常需要大量标签来学习时序表示,从而显著限制了其在现实应用无标签图中的广泛使用。为弥补这一差距,我们首次尝试在一般黎曼空间中研究自我监督时序图表示学习问题,支持时变曲率在超球面、欧氏和双曲空间之间转移。本文提出一种新颖的自我监督黎曼图神经网络(SelfRGNN)。具体而言,我们设计了一个具有理论可靠时间编码的变曲率黎曼GNN,并形式化了一个随时间变化的函数曲率来建模在正、零和负曲率空间之间的演化转移。为启用自我监督学习,我们提出一种新颖的重新加权自对比方法,无需数据增强即可探索黎曼空间本身,并提出了一种基于边、利用Ricci曲率的自我监督曲率学习。大量实验显示了SelfRGNN的优越性,且案例研究展示了现实时序图的时变曲率。
引用
@article{arxiv.2208.14073,
title = {A Self-supervised Riemannian GNN with Time Varying Curvature for Temporal Graph Learning},
author = {Li Sun and Junda Ye and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2208.14073},
year = {2022}
}
备注
Accepted by CIKM22 (Full Paper)