AmGCL：基于自监督对比学习的属性缺失图特征填补
机器学习
2023-05-09 v1 人工智能
摘要
属性图在多媒体应用中无处不在，且图表示学习（GRL）已成功用于分析属性图数据。然而，不完整的图数据与缺失的节点属性会对媒体知识发现产生负面影响。现有处理属性缺失图的方法存在有限假设或未能捕捉复杂的属性-图依赖关系。为应对这些挑战，我们提出属性缺失图对比学习（AmGCL），一种处理属性图数据中节点属性缺失的框架。AmGCL 利用基于 Dirichlet 能量最小化的特征预编码将缺失属性编码进去，并采用自监督图增广对比学习结构（GACLS）从编码后的数据中学习潜变量。具体而言，AmGCL 基于结构-属性能量最小化进行特征重建，同时最大化潜表示互信息的证据下界。我们在多个真实世界数据集上的实验结果表明，AmGCL 在特征填补与节点分类任务上均优于当前最优方法，显示出我们所提方法在真实世界属性图分析任务中的有效性。
引用
@article{arxiv.2305.03741,
title = {AmGCL: Feature Imputation of Attribute Missing Graph via Self-supervised Contrastive Learning},
author = {Xiaochuan Zhang and Mengran Li and Ye Wang and Haojun Fei},
journal= {arXiv preprint arXiv:2305.03741},
year = {2023}
}