对抗式图解耦
机器学习
2024-01-26 v4 人工智能
摘要
真实世界中的图具有复杂的拓扑结构，通常由不同潜在因子的相互作用形成。然而，现有大多数方法忽视了由因子纠缠引起的节点间关系的内在差异。本文提出一种对抗解耦图卷积网络（ADGCN），用于解耦图表示学习。首先，我们指出图解耦需要考虑两个方面，即微观解耦与宏观解耦。针对它们，我们提出一种组件特定聚合方法，通过推断导致节点间连边的潜在组件来实现微观解耦。在微观解耦的基础上，我们进一步提出一种宏观解耦对抗正则化器，以提升组件分布间的可分离性，从而限制组件间的相互依赖。此外，为揭示拓扑图结构，我们提出一种保持多样性的节点采样方法，借此可以以局部结构感知的方式逐步精炼图结构。在多个真实世界图数据上的实验结果验证了我们的 ADGCN 相较现有方法取得了更优性能。ADGCN 的源代码见 \textit{\url{https://github.com/SsGood/ADGCN}}。
引用
@article{arxiv.2103.07295,
title = {Adversarial Graph Disentanglement},
author = {Shuai Zheng and Zhenfeng Zhu and Zhizhe Liu and Jian Cheng and Yao Zhao},
journal= {arXiv preprint arXiv:2103.07295},
year = {2024}
}
备注
Accepted by IEEE Transactions on Artificial Intelligence