深度超图结构学习
机器学习
2022-08-29 v1 人工智能
摘要
对高阶相关性的学习在数据表示学习中已显示出优越性，其中超图在近几十年被广泛使用。基于超图的表示学习方法（如超图神经网络）的性能高度依赖于超图结构的质量。如何生成数据间的超图结构仍是一项具有挑战性的任务。缺失和含噪数据可能导致超图结构中的“错误连接”，并破坏基于超图的表示学习过程。因此，揭示观测数据背后的高阶结构即超图，成为一项紧迫而重要的任务。为解决该问题，我们设计了一种深度超图结构学习的通用范式，称为 DeepHGSL，以优化基于超图的表示学习的超图结构。具体地，受用于鲁棒性问题的信息瓶颈原理启发，我们首先将其推广至超图情形，命名为超图信息瓶颈（HIB）原理。随后，我们应用该原理指导超图结构学习，其中引入 HIB 构建损失函数以最小化超图结构中的噪声信息。超图结构得以优化，该过程可视为在训练阶段增强正确连接并削弱错误连接。因此，所提方法即使在严重含噪的结构上也能提取更鲁棒的表示。最后，我们在四个基准数据集上评估该模型用于表示学习。在图结构和超图结构数据上的实验结果均证明了我们的方法相对于其他最先进方法的的有效性与鲁棒性。
引用
@article{arxiv.2208.12547,
title = {Deep Hypergraph Structure Learning},
author = {Zizhao Zhang and Yifan Feng and Shihui Ying and Yue Gao},
journal= {arXiv preprint arXiv:2208.12547},
year = {2022}
}