面向图表示学习的分布诱导双向生成对抗网络
机器学习
2020-08-04 v3 机器学习
摘要
图表示学习旨在将图中的所有节点编码为低维向量，作为许多计算机视觉任务的输入。然而，大多数现有算法忽略了固有数据分布乃至噪声的存在，这可能显著加剧过拟合现象并降低测试精度。本文提出一种用于图表示学习的分布诱导双向生成对抗网络（称为DBGAN）。与广泛使用的正态分布假设不同，我们的DBGAN中潜在表示的先验分布以结构感知的方式估计，通过原型学习隐式地桥接图空间与特征空间，从而为所有节点生成具有判别性且鲁棒的表示。此外，为在保持表示能力的同时提升泛化能力，通过双向对抗学习框架很好地平衡了样本级与分布级一致性。随后我们精心设计并展示了一组广泛的实验，表明相较于当前各类任务中可用的替代方法，我们的DBGAN在表示能力与鲁棒性之间取得了显著更优的权衡，同时具有维度高效性。
引用
@article{arxiv.1912.01899,
title = {Distribution-induced Bidirectional Generative Adversarial Network for Graph Representation Learning},
author = {Shuai Zheng and Zhenfeng Zhu and Xingxing Zhang and Zhizhe Liu and Jian Cheng and Yao Zhao},
journal= {arXiv preprint arXiv:1912.01899},
year = {2020}
}
备注
Accepted to CVPR2020. 10 pages, 5 figures, 4 tables, fixed a error in the Figure.1