FI-GRL：基于投影代价保持的快速归纳图表示学习

图表示学习旨在将图数据转换为有意义低维向量，以便于使用为通用数据设计的机器学习和数据挖掘算法。当前大多数图表示学习方法都是直推式的，意味着学习图表示时需已知图中所有节点，且这些方法无法自然泛化到未见过节点。本文提出一种快速归纳图表示学习框架（FI-GRL）来学习节点的低维表示。我们的方法能以可证明理论保证为已见节点获取准确表示，并可轻松泛化到未见节点。具体地，为显式解耦图所表达的节点关系，我们将节点变换到由随机投影矩阵张成的随机子空间中。该阶段保证保持归一化随机游走矩阵的投影代价，其与图的归一化割高度相关。然后通过对所得矩阵草图进行奇异值分解实现特征提取。利用矩阵草图上投影代价保持的性质，所得表示结果近乎最优。为处理未见节点，我们利用 folding-in 技术学习其有意义表示。经验上，当已见节点数量大于未见节点时，FI-GRL 总取得优异结果。我们的算法快速、易实现且理论保证。在真实数据集上的大量实验证明了我们的算法在宏观层面（聚类）和微观层面（结构洞检测）应用上的效力和效率优势。