具有唯一最优解的快速图学习
机器学习
2021-04-23 v4 数学软件
社会与信息网络
摘要
我们考虑两种流行的图表示学习（GRL）方法：用于节点分类的消息传递与用于链接预测的网络嵌入。对每种方法，我们选取一个流行模型并对其进行（i）线性化与（ii）将其训练目标切换为 Frobenius 范数误差最小化。这些简化可将训练转化为以闭式求最优参数。我们在 TensorFlow 中编程实现了截断奇异值分解（SVD）的一种函数式形式，从而可在不显式计算稠密矩阵 的情况下对其分解。我们在流行的 GRL 任务上取得了具竞争力的性能，同时实现了数量级的加速。我们在 http://github.com/samihaija/tf-fsvd 开源了代码。
引用
@article{arxiv.2102.08530,
title = {Fast Graph Learning with Unique Optimal Solutions},
author = {Sami Abu-El-Haija and Valentino Crespi and Greg Ver Steeg and Aram Galstyan},
journal= {arXiv preprint arXiv:2102.08530},
year = {2021}
}