DPGAN：用于图缺失数据填补的双路径生成对抗网络
机器学习
2024-04-29 v1
摘要
在处理图数据时，缺失数据填补构成了首要挑战。先前的工作通常基于特征传播或图自编码器来解决此问题。然而，这些方法在处理缺失数据时通常会遇到过平滑问题，因为图神经网络（GNN）模块并未被显式设计用于处理缺失数据。本文提出了一种名为双路径生成对抗网络（DPGAN）的新框架，可以同时处理缺失数据并避免过平滑问题。我们工作的关键在于它允许输入图信号的全局和局部表示，从而能够捕获长程依赖。这是通过我们提出的生成器实现的，该生成器由两个关键组件组成，即 MLPUNet++ 和 GraphUNet++。我们的生成器通过对抗过程与指定的判别器一起训练。特别是，为了避免像文献中那样评估整个图，我们的判别器专注于局部子图保真度，从而提升局部填补的质量。子图大小是可调的，允许控制对抗正则化的强度。在多个基准数据集上的综合实验证实，DPGAN 始终与现有的 SOTA 填补算法相媲美，甚至表现更优。代码提供于 \url{https://github.com/momoxia/DPGAN}。
引用
@article{arxiv.2404.17164,
title = {DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs},
author = {Xindi Zheng and Yuwei Wu and Yu Pan and Wanyu Lin and Lei Ma and Jianjun Zhao},
journal= {arXiv preprint arXiv:2404.17164},
year = {2024}
}
备注
9 pages