图推断表示：基于锚路径编码学习图位置嵌入
机器学习
2021-06-15 v2 人工智能
摘要
学习融合图结构信息的节点表示有益于图上广泛任务。现有大多数图神经网络（GNNs）在捕获给定节点的位置信息方面能力有限。利用选定锚点定位节点的思想已被探索，但主要依赖距离信息的显式标注。此处我们提出图推断表示（GIR），一种基于锚点的 GNN 模型，为每个节点编码与预选锚点相关的路径信息。我们在理论上与实验上探究了 GIR 及其核心变体获取位置感知嵌入的能力。进一步，展示了 GIRs 与典型 GNNs 的互补性。我们表明 GIRs 在位置感知场景中取得更优结果，且典型 GNNs 的性能可通过融合 GIR 嵌入得以提升。
引用
@article{arxiv.2105.03821,
title = {Graph Inference Representation: Learning Graph Positional Embeddings with Anchor Path Encoding},
author = {Yuheng Lu and Jinpeng Chen and ChuXiong Sun and Jie Hu},
journal= {arXiv preprint arXiv:2105.03821},
year = {2021}
}
备注
12 pages, 5 figures