用于属性图嵌入的深度流形图自编码器
机器学习
2024-01-15 v1
摘要
在低维空间中表示图数据以用于后续任务是属性图嵌入的目的。大多数现有神经网络方法通过最小化重构误差来学习潜在表示。很少有工作同时考虑数据分布和潜在编码的拓扑结构，这通常导致在真实世界图数据中嵌入效果较差。本文针对属性图数据提出了一种新颖的深度流形（变分）图自编码器（DMVGAE/DMGAE）方法，以提高所学表示的稳定性和质量，解决拥挤问题。在预定义分布下，原始空间与潜在空间之间的节点到节点测地线相似性得以保留。所提出的方法在不同下游任务中跨流行数据集上以显著优势超越了最先进的基线算法，验证了我们的解决方案。我们承诺在论文被接收后发布代码。
引用
@article{arxiv.2401.06727,
title = {Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding},
author = {Bozhen Hu and Zelin Zang and Jun Xia and Lirong Wu and Cheng Tan and Stan Z. Li},
journal= {arXiv preprint arXiv:2401.06727},
year = {2024}
}
备注
This work has been accepted by ICASSP2023, due to download limitations, we upload this work here