ACE-HGNN：自适应曲率探索双曲图神经网络
机器学习
2022-03-04 v1 社会与信息网络
摘要
图神经网络（GNNs）已在各种图数据挖掘任务中得到广泛研究。大多数现有GNN将图数据嵌入欧几里得空间，因此在捕捉现实世界网络中普遍存在的层次结构方面效果较差。双曲图神经网络（HGNNs）将GNN扩展到双曲空间，从而在节点表示学习中更有效地捕捉图的层次结构。在双曲几何中，图的层次结构可以通过双曲空间的曲率来反映，不同的曲率可以建模图的不同层次结构。然而，大多数现有HGNN为简化起见手动将曲率设为一个固定值，由于图的层次结构复杂多样，这导致图学习性能次优。为解决此问题，我们提出了一种名为ACE-HGNN的自适应曲率探索双曲图神经网络，以根据输入图和下游任务自适应地学习最优曲率。具体而言，ACE-HGNN利用多智能体强化学习框架，包含两个智能体：ACE-Agent和HGNN-Agent，分别用于学习曲率和节点表示。这两个智能体通过Nash Q-learning算法协同更新，寻找以曲率为索引的最优双曲空间。在多个真实世界图数据集上的大量实验表明，模型质量有显著且一致的性能提升，并具有竞争性的性能和良好的泛化能力。
引用
@article{arxiv.2110.07888,
title = {ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network},
author = {Xingcheng Fu and Jianxin Li and Jia Wu and Qingyun Sun and Cheng Ji and Senzhang Wang and Jiajun Tan and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2110.07888},
year = {2022}
}