基于双层优化的图结构学习
机器学习
2024-11-27 v1 人工智能
摘要
目前，大多数图结构学习(GSL)方法仅从局部视角提高GNN的鲁棒性，通过考虑与每条边相关的局部信息，并对边缘不加区分地应用该机制，这可能受限于图的局部结构异质性(即节点间类间连接分布的不均)。为克服这一局限，本文从全局视角提取图结构作为可学习参数，同时从全局视角联合学习结构和GNN的常规参数。令人兴奋的是，常规参数包含节点特征映射的全局信息，这也是结构优化(即优化结构依赖于全局映射信息)的关键。数学上，我们对通用结构提取器进行建模，以抽象图结构，并将GNN转化为学习结构和常规参数的形式。然后，我们将学习过程建模为一种新的双层优化，即通用结构提取与双层优化用于图结构学习(GSEBO)，在上层优化GNN参数以获得全局映射信息，并在下层利用来自上层学习的全局信息优化图结构。我们在经典GNN上实现了所提出的GSEBO，并与最先进的GSL方法进行比较。广泛的实验在四个真实数据集上验证了所提出GSEBO的有效性。
引用
@article{arxiv.2411.17062,
title = {Graph Structure Learning with Bi-level Optimization},
author = {Nan Yin},
journal= {arXiv preprint arXiv:2411.17062},
year = {2024}
}