基于 Loukas 粗化方法的层次化无监督图表示学习
机器学习
2020-08-18 v2 计算机视觉与模式识别
机器学习
摘要
我们提出一种新颖的针对属性图的无监督图表示学习算法。它结合了三方面优势以解决现有文献的一些局限：i) 模型是归纳式的：在新数据出现时无需重新训练即可嵌入新图；ii) 该方法通过在不同尺度上观察属性图，同时考虑微观结构与宏观结构；iii) 模型是端到端可微分的：它可作为构建模块插入深度学习流水线并支持反向传播。我们表明，将具有强理论保证的粗化方法与互信息最大化相结合，足以产生高质量嵌入。我们在文献常用基准的分类任务上对其进行了评估。我们表明，我们的算法在无监督图表示学习方法中与当前最优（SOTA）方法具有竞争力。
引用
@article{arxiv.2007.03373,
title = {Hierarchical and Unsupervised Graph Representation Learning with Loukas's Coarsening},
author = {Louis Béthune and Yacouba Kaloga and Pierre Borgnat and Aurélien Garivier and Amaury Habrard},
journal= {arXiv preprint arXiv:2007.03373},
year = {2020}
}
备注
19 pages, 15 figures, submitted