通过最大熵正则化图自编码器处理缺失数据
机器学习
2022-12-01 v1
摘要
图神经网络（GNNs）是建模关系数据的常用利器。现有 GNNs 并非为属性不完备图而设计，使得缺失属性填补成为一个紧迫问题。直到最近，许多工作注意到 GNNs 伴随谱集中现象，即 GNNs 获得的谱集中于谱域的局部部分，例如由于过平滑问题导致的低频。因此，GNNs 在重建图属性时可能严重缺陷，因为图谱集中往往导致较低的填补精度。本工作中，我们提出一种用于图属性填补的正则化图自编码器，名为 MEGAE，旨在通过最大化图谱熵来缓解谱集中问题。值得注意的是，我们首先给出了无需拉普拉斯矩阵特征分解即可估计图谱熵的方法，并提供了理论误差上界。随后最大熵正则化作用于潜空间，直接增加图谱熵。大量实验表明，MEGAE 在多种基准数据集上优于所有其他最先进的填补方法。
引用
@article{arxiv.2211.16771,
title = {Handling Missing Data via Max-Entropy Regularized Graph Autoencoder},
author = {Ziqi Gao and Yifan Niu and Jiashun Cheng and Jianheng Tang and Tingyang Xu and Peilin Zhao and Lanqing Li and Fugee Tsung and Jia Li},
journal= {arXiv preprint arXiv:2211.16771},
year = {2022}
}