生成图格式塔:核正则化图表示学习
机器学习
2021-06-30 v1
摘要
近期关于图生成模型的工作在生成日益真实的图方面取得了显著进展,这通过度分布、密度和聚类系数等全局图特征来衡量。深度生成模型也通过对图拓扑中局部相关性的更好建模取得了重大进展,这对于从邻近已观测图组件预测未观测图组件(如链接的存在或节点的类别)非常有用。对图数据的完整科学理解应同时解决全局与局部结构。在本文中,我们提出一个联合模型,在图 VAE 框架中将二者作为互补目标。全局结构通过在与重构图和输入图的全局结构之间的最大均值差异(MMD)密切相关的损失函数的概率模型中融入图核来捕获。由该模型导出的 ELBO 目标以 MMD 项正则化标准的局部链接重构项。我们的实验表明,与领先的图 VAE 和 GAN 模型相比,所生成图结构的真实性显著提升,通常图结构度量改善 1-2 个数量级。局部链接重构在许多情况下也得到改善。
引用
@article{arxiv.2106.15239,
title = {Generating the Graph Gestalt: Kernel-Regularized Graph Representation Learning},
author = {Kiarash Zahirnia and Ankita Sakhuja and Oliver Schulte and Parmis Nadaf and Ke Li and Xia Hu},
journal= {arXiv preprint arXiv:2106.15239},
year = {2021}
}