基于超图的边表示学习
机器学习
2021-11-01 v2
摘要
图神经网络近期在表示图结构数据方面取得显著成功，在节点嵌入与图池化方法上均进展迅速。然而，它们大多聚焦于从节点及其连通性中捕获信息，在表示边这一图的基本组成部分方面所做工作有限。但对于图重构与生成，以及边对区分至关重要的图分类任务，准确表示给定图的边对图表示学习的成功至关重要。为此，我们提出一种基于双超图变换（DHT）的新型边表示学习框架，该框架将图的边转换为超图的节点。这种对偶超图构造使我们能将用于节点表示的消息传递技术应用于边。在从超图获得边表示后，我们对边进行聚类或丢弃以获得整体图级边表示。我们在多种图数据集上验证了基于超图的边表示学习方法在图表示与生成性能上的表现，该方法大幅优于现有图表示学习方法。此外，我们的边表示学习与池化方法在图分类上也大幅优于最先进的图池化方法，这既得益于其准确的边表示学习，也因其对节点进行了无损压缩并去除了无关边以促进有效消息传递。
引用
@article{arxiv.2106.15845,
title = {Edge Representation Learning with Hypergraphs},
author = {Jaehyeong Jo and Jinheon Baek and Seul Lee and Dongki Kim and Minki Kang and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2106.15845},
year = {2021}
}
备注
NeurIPS 2021