曲率图生成对抗网络
机器学习
2022-03-04 v1 社会与信息网络
摘要
生成对抗网络(GAN)被广泛用于图数据上的泛化与鲁棒学习。然而,对于非欧几里得图数据,现有基于GAN的图表示方法通过随机游走或在离散空间中遍历来生成负样本,导致拓扑性质(如层次性与环形结构)的信息丢失。此外,由于图数据的拓扑异质性(即图结构间密度不同),它们遭受严重的拓扑畸变问题。本文提出一种新颖的曲率图生成对抗网络方法,命名为 \textbf{\modelname},它是黎曼几何流形中首个基于GAN的图表示方法。为更好地保留拓扑性质,我们将离散结构近似为连续黎曼几何流形,并从包裹正态分布中高效生成负样本。为应对拓扑异质性,我们利用Ricci曲率刻画具有不同拓扑性质的局部结构,从而获得低畸变表示。大量实验表明,CurvGAN在多个任务上持续且显著优于最先进方法,并展现出优越的鲁棒性与泛化能力。
引用
@article{arxiv.2203.01604,
title = {Curvature Graph Generative Adversarial Networks},
author = {Jianxin Li and Xingcheng Fu and Qingyun Sun and Cheng Ji and Jiajun Tan and Jia Wu and Hao Peng},
journal= {arXiv preprint arXiv:2203.01604},
year = {2022}
}
备注
Accepted by Web Conference (WWW) 2022