面向无监督图表示学习的图级公共潜在因子提取

无监督图级表示学习在分子性质预测和社区分析等多种任务中起着关键作用，尤其在数据标注昂贵时。目前，大多数性能最佳的图嵌入方法基于 Infomax 原理。这些方法的性能高度依赖于负样本的选择，若样本未经过仔细选择则会损害性能。基于图间相似性的方法若所选用于相似性匹配的图集合质量较低也会受影响。为此，我们仅专注于利用当前输入图进行嵌入学习。我们的动机来自对真实世界图生成过程的观察：图基于一个或多个对所有图元素共同的全局因子形成（例如讨论线程的主题、分子的溶解度水平）。我们假设提取这些公共因子可能极为有益。因此，本工作提出一种无监督图表示学习的新原理：图级公共潜在因子提取（Graph-wise Common latent Factor EXtraction, GCFX）。我们进一步提出了一种基于上述图生成过程逆推思想的 GCFX 深度模型 deepGCFX，该模型能从输入图中显式提取公共潜在因子，并在下游任务上取得优于当前最优方法的结果。通过大量实验和分析，我们证明：提取公共潜在因子不仅有利于图级任务，以减轻由单个节点或局部邻域的局部变化引起的干扰，也通过启用长程节点依赖而有利于节点级任务，尤其对于非同配图（disassortative graphs）。