将特征传播与图自编码器的设计解耦
机器学习
2019-10-22 v1 机器学习
摘要
我们提出了变分图自编码族(VGAE)的两个实例 L-GAE 和 L-VGAE，其基于将图学习方法中常见的图卷积层的特征传播操作分离出来，改为在标准自编码器架构中输入之前进行一次单一的线性矩阵计算。这种解耦使得自编码器可以独立且固定地设计，而无需为节点局部感受野的每次期望增大额外添加 GCN 层。固定自编码器能够在构建表示时更公平地评估节点感受野的大小。此外，固定自编码器设计的一个副产品是，随着特征传播次数的增加，其网络规模通常远小于相应的 VGAE。在链接预测任务上的下游对比评估表明，尽管大幅简化，其性能仍可与类似的 VGAE 结构相媲美，达到 SOTA 水平。我们还展示了我们的方法在更具挑战性的表示学习场景(如时空图表示学习)中的简单应用。
引用
@article{arxiv.1910.08589,
title = {Decoupling feature propagation from the design of graph auto-encoders},
author = {Paul Scherer and Helena Andres-Terre and Pietro Lio and Mateja Jamnik},
journal= {arXiv preprint arXiv:1910.08589},
year = {2019}
}
备注
4 pages (considering single anonymous naming during original submission, now a few lines over 4). Originally submitted to NeurIPS 2019 Graph Representation Learning Workshop