基于 Graph-Bert 的图神经距离度量学习
机器学习
2020-02-11 v1 神经与进化计算
机器学习
摘要
图距离度量学习是许多图学习问题的基础，例如图聚类、图分类和图匹配。现有的图距离度量（或图核）学习研究未能保持此类度量的基本性质，即分别为非负性、不可分辨同一性、对称性和三角不等式。在本文中，我们将介绍一种基于图神经网络的新距离度量学习方法，即 GB-DISTANCE（基于 GRAPH-BERT 的神经距离）。GB-DISTANCE 完全基于注意力机制，可基于预训练的 GRAPH-BERT 模型有效地学习图实例表示。与现有的监督/无监督度量不同，GB-DISTANCE 可以以半监督方式有效地学习。此外，GB-DISTANCE 还能保持上述距离度量的基本性质。我们在多个基准图数据集上进行了大量实验，结果表明 GB-DISTANCE 可以显著优于现有基线方法，尤其是近期基于图神经网络模型的图度量，在计算图距离方面存在显著差距。
引用
@article{arxiv.2002.03427,
title = {Graph Neural Distance Metric Learning with Graph-Bert},
author = {Jiawei Zhang},
journal= {arXiv preprint arXiv:2002.03427},
year = {2020}
}
备注
11 pages