通过最大化率缩减的几何图表示学习
机器学习
2022-02-15 v1 人工智能
社会与信息网络
摘要
学习有判别力的节点表示有益于图分析中的各类下游任务，如社区检测与节点分类。现有图表示学习方法（如基于随机游走与对比学习）仅限于最大化相连节点的局部相似性。此类成对学习方案可能无法捕捉表示的全局分布，因其对表示空间的全局几何性质无显式约束。为此，我们提出几何图表示学习（G2R），以无监督方式通过最大化率缩减来学习节点表示。由此，G2R 将不同组（隐式存于邻接矩阵中）的节点映射至不同子空间，且各子空间紧凑、不同子空间离散分布。G2R 采用图神经网络作为编码器，并利用邻接矩阵最大化率缩减。此外，我们从理论与实验上证明率缩减最大化等价于最大化不同子空间间的principal angles（主角度）。在真实数据集上的实验表明，G2R 在节点分类与社区检测任务上优于多种基线。
引用
@article{arxiv.2202.06241,
title = {Geometric Graph Representation Learning via Maximizing Rate Reduction},
author = {Xiaotian Han and Zhimeng Jiang and Ninghao Liu and Qingquan Song and Jundong Li and Xia Hu},
journal= {arXiv preprint arXiv:2202.06241},
year = {2022}
}
备注
Accepted by TheWebConference(WWW) 2022