Graph InfoClust：利用簇级节点信息的无监督图表示学习
机器学习
2020-09-16 v1 机器学习
摘要
当外部监督不可用时，无监督（或自监督）图表示学习对于促进各类图数据挖掘任务至关重要。其挑战在于将图结构信息以及节点与边的属性编码到低维空间中。大多数现有无监督方法促使拓扑邻近的节点具有相似的表示。最近研究表明，利用额外的图级信息（例如所有节点共享的信息）可促使表示关注图的全局属性，从而大幅提升表示质量。然而，在大多数图中，存在远多可捕获的结构，例如节点往往属于代表结构相似节点的（多个）簇。受此观察启发，我们提出一种称为 Graph InfoClust（GIC）的图表示学习方法，旨在额外捕获簇级信息内容。这些簇通过可微 K-means 方法计算，并通过最大化同一簇内节点间的互信息进行联合优化。该优化使节点表示捕获更丰富的信息与节点交互，从而提升其质量。实验表明，GIC 在各类下游任务（节点分类、链接预测与节点聚类）中优于最先进方法，相较最佳竞争方法平均提升 0.9% 至 6.1%。
引用
@article{arxiv.2009.06946,
title = {Graph InfoClust: Leveraging cluster-level node information for unsupervised graph representation learning},
author = {Costas Mavromatis and George Karypis},
journal= {arXiv preprint arXiv:2009.06946},
year = {2020}
}