超越平滑：基于边异配性判别的无监督图表示学习
机器学习
2022-11-28 v1 社会与信息网络
摘要
无监督图表示学习(UGRL)已引起越来越多的研究关注，并在若干图分析任务中取得了有前景的结果。依赖同配性假设，现有UGRL方法倾向于沿所有边平滑所学习的节点表示，忽略了连接具有不同属性节点的异配性边的存在。因此，当前方法难以推广到广泛连接不相似节点的异配图，并且易受对抗攻击。为解决此问题，我们提出一种新颖的具有边异配性判别的无监督图表示学习方法(GREET)，其通过判别并利用同配边与异配边来学习表示。为区分两类边，我们构建了一个边判别器，从特征与结构信息推断边的同配/异配性。我们通过最小化精心设计的以随机采样节点对作为锚点的枢轴锚定排序损失，以无监督方式训练该边判别器。节点表示通过对从判别出的同配边与异配边获得的双通道编码进行对比而学习。通过一种有效的交互机制，边判别与表示学习在训练阶段可相互提升。我们在14个基准数据集与多种学习场景下进行了广泛实验，以证明GREET的优越性。
引用
@article{arxiv.2211.14065,
title = {Beyond Smoothing: Unsupervised Graph Representation Learning with Edge Heterophily Discriminating},
author = {Yixin Liu and Yizhen Zheng and Daokun Zhang and Vincent CS Lee and Shirui Pan},
journal= {arXiv preprint arXiv:2211.14065},
year = {2022}
}
备注
14 pages, 7 tables, 6 figures, accepted by AAAI 2023