异质深度图信息最大化
机器学习
2020-11-16 v5 社会与信息网络
机器学习
摘要
图表示学习旨在学习保留节点属性与结构信息的通用节点表示。所得到的节点表示可用于服务各种下游任务,如节点分类与节点聚类。当图为异质图时,该问题比同构图节点学习问题更具挑战性。受新兴的基于信息论的学习算法启发,本文提出一种无监督图神经网络——异质深度图信息最大化(Heterogeneous Deep Graph Infomax, HDGI),用于异质图表示学习。我们利用元路径结构分析异质图中涉及语义的连接,并采用图卷积模块与语义级注意力机制来捕获局部表示。通过最大化局部-全局互信息,HDGI有效学习可用于下游图相关任务的高级节点表示。实验结果表明,在分类与聚类任务上,HDGI显著优于最先进的无监督图表示学习方法。通过将所学表示输入逻辑回归等参数化模型,我们甚至在节点分类任务中取得了与最先进的有监督端到端GNN模型相当的性能。
引用
@article{arxiv.1911.08538,
title = {Heterogeneous Deep Graph Infomax},
author = {Yuxiang Ren and Bo Liu and Chao Huang and Peng Dai and Liefeng Bo and Jiawei Zhang},
journal= {arXiv preprint arXiv:1911.08538},
year = {2020}
}