D-HYPR：利用邻域建模与非对称保持的有向图表示学习
机器学习
2022-09-30 v2 人工智能
摘要
有向图表示学习（DRL）旨在为定向同质图（有向图）学习表示。先前的 DRL 工作大多受限（如仅限有向无环图）或跨任务泛化性差（如仅单一任务评测）。多数图神经网络（GNN）因忽视邻域建模与非对称保持，在有向图上表现不佳。本文通过利用来自多序与分区邻域的双曲协同学习，以及受社会心理因素启发的正则化项，解决这些显著挑战。我们的最终形式化方法——有向图双曲网络（D-HYPR）——虽概念简单，却可泛化至普遍存在环与非传递关系的图，并适用于节点分类、链接存在预测与链接属性预测等多个下游任务。为评估 D-HYPR 有效性，我们在 8 个真实有向图数据集上对比 21 种已有技术进行了大量评测。D-HYPR 在统计上显著优于当前 SOTA。代码发布于 https://github.com/hongluzhou/dhypr
引用
@article{arxiv.2112.11734,
title = {D-HYPR: Harnessing Neighborhood Modeling and Asymmetry Preservation for Digraph Representation Learning},
author = {Honglu Zhou and Advith Chegu and Samuel S. Sohn and Zuohui Fu and Gerard de Melo and Mubbasir Kapadia},
journal= {arXiv preprint arXiv:2112.11734},
year = {2022}
}
备注
CIKM 2022