GNUMAP：基于图神经网络的无参数无监督降维方法
机器学习
2024-08-01 v1
摘要
随着对比学习驱动的图神经网络（GNN）方法的兴起，面向图数据的无监督节点表示学习正在生物学、分子动力学等各个领域迅速获得关注，常被用作降维工具。然而，对于这些方法所产生的低维节点表示的质量，尤其是超出精心整理的学术数据集之外，仍然存在显著的理解空白。为填补这一空白，我们首次对多种面向降维的无监督节点嵌入技术进行了全面基准测试，涵盖多种流形学习任务以及多种性能指标。我们强调了当前方法对超参数选择的敏感性——这突出了一个根本性问题，即在缺乏严格的超参数选择方法论的真实场景中这些方法的适用性。为解决这一问题，我们提出了GNUMAP，一种稳健的无参数无监督节点表示学习方法，将传统UMAP方法与GNN框架的表达能力相结合。我们证明GNUMAP在多种场景下始终优于现有的最先进GNN嵌入方法，包括合成几何数据集、引文网络和真实生物医学数据——使其成为一种简单但可靠的降维工具。
引用
@article{arxiv.2407.21236,
title = {GNUMAP: A Parameter-Free Approach to Unsupervised Dimensionality Reduction via Graph Neural Networks},
author = {Jihee You and So Won Jeong and Claire Donnat},
journal= {arXiv preprint arXiv:2407.21236},
year = {2024}
}