图的深度特征学习
机器学习
2017-10-17 v2 机器学习
社会与信息网络
摘要
本文提出一种通用的图表示学习框架DeepGL，用于从大型（属性）图中学习深度节点与边表示。具体而言，DeepGL首先导出一组基础特征（例如图元特征），并自动学习多层层次的图表示，其中每一后续层利用前一层的输出来学习更高阶的特征。与以往工作不同，DeepGL学习关系函数（每个代表一个特征），这些函数可跨网络泛化，因此可用于基于图的迁移学习任务。此外，DeepGL天然支持属性图，学习可解释特征，且空间高效（通过学习稀疏特征向量）。另外，DeepGL具有强表达能力，灵活且含许多可互换组件，高效且时间复杂度为 ，并通过高效的并行实现可扩展至大型网络。与最先进(SOTA)方法相比，DeepGL (1) 对跨网络迁移学习任务和属性图表示学习有效，(2) 空间高效，所需内存最多减少6倍，(3) 速度快，运行时性能最高加速182倍，(4) 准确，在许多学习任务上平均提升20%或以上。
引用
@article{arxiv.1704.08829,
title = {Deep Feature Learning for Graphs},
author = {Ryan A. Rossi and Rong Zhou and Nesreen K. Ahmed},
journal= {arXiv preprint arXiv:1704.08829},
year = {2017}
}