基于隐图卷积网络从复杂多重图进行端到端学习
机器学习
2021-01-26 v2 机器学习
社会与信息网络
摘要
我们研究从复杂多重图进行端到端学习的问题，这类图中两个顶点之间可能具有数量极大的边，且每条边带有丰富信息的标签。示例涵盖通信网络、机场间航班以及金融交易图等。我们提出隐图卷积网络（Latent-Graph Convolutional Networks, L-GCNs），其将这些复杂边上的信息传播至一个隐邻接张量，之后可执行进一步的下游任务，例如节点分类。我们在两个模拟金融交易网络中欺诈行为的合成数据集上评估了该模型的若干变体性能，确保模型必须利用边标签才能获得良好的分类表现。我们发现，在逐邻居基础上允许非线性交互可显著提升性能，同时在归纳式设定下展现出有前景的结果。最后，我们以城市交通网络形式的真实数据演示了 L-GCNs 的使用。
引用
@article{arxiv.1908.05365,
title = {End-to-End Learning from Complex Multigraphs with Latent-Graph Convolutional Networks},
author = {Floris Hermsen and Peter Bloem and Fabian Jansen and Wolf Vos},
journal= {arXiv preprint arXiv:1908.05365},
year = {2021}
}