超越节点与同配性的图表示学习
机器学习
2022-03-04 v1 社会与信息网络
摘要
无监督图表示学习旨在将各种图信息提炼为与下游任务无关的稠密向量嵌入。然而,现有的图表示学习方法主要是在节点同配性假设下设计的:相连节点往往具有相似标签,并针对以节点为中心的下游任务优化性能。它们的设计显然违背了任务无关原则,且在诸如边分类等需要超越节点视角与同配性假设的特征信号的任务上通常表现不佳。为将不同的特征信号压缩进嵌入中,本文提出 PairE,一种新颖的无监督图嵌入方法,以两个配对节点作为嵌入的基本单元,以保留节点间的高频信号,从而支持节点相关与边相关的任务。相应地,设计了一个多自监督自编码器来完成两个 pretext 任务:一个更好地保留高频信号,另一个增强共性的表示。我们在多种基准数据集上的大量实验清楚地表明,PairE 优于无监督的 SOTA 基线,在依赖配对中高频与低频信号的边分类任务上相对提升高达 101.1%,在节点分类任务上相对性能增益高达 82.5%。
引用
@article{arxiv.2203.01564,
title = {Graph Representation Learning Beyond Node and Homophily},
author = {You Li and Bei Lin and Binli Luo and Ning Gui},
journal= {arXiv preprint arXiv:2203.01564},
year = {2022}
}