结合图挖掘的深度流形学习
机器学习
2022-07-19 v1 人工智能
摘要
不可否认，图卷积网络(GCN)在社交网络、引文网络等图数据集上已取得优异结果。然而，这些框架中用作决策层的softmax通常通过梯度下降经数千次迭代优化。此外，由于忽略图节点的内在分布，该决策层在标签支持较少的半监督学习中可能导致不尽如人意的表现。针对所述问题，我们提出一种用于图挖掘的、带非梯度决策层的新型图深度模型。首先，将流形学习与标签局部结构保持相统一，以捕获节点的拓扑信息。此外，得益于非梯度特性，获得闭式解用作GCN的决策层。特别地，为该图模型设计了一种联合优化方法，极大加速了模型收敛。最后，大量实验表明，与现有模型相比，所提模型取得了最先进的性能。
引用
@article{arxiv.2207.08377,
title = {Deep Manifold Learning with Graph Mining},
author = {Xuelong Li and Ziheng Jiao and Hongyuan Zhang and Rui Zhang},
journal= {arXiv preprint arXiv:2207.08377},
year = {2022}
}