独立性促进的图解耦网络
机器学习
2019-11-27 v1 机器学习
摘要
我们研究图卷积网络（GCNs）中具有独立潜在因子的解耦表示学习问题。现有方法通常以整体方式将其邻域描述为感知整体来学习节点表示，而忽略了潜在因子的纠缠。然而，真实世界图由许多潜在因子的复杂交互形成（例如社交网络中的相同爱好、教育或工作）。目前鲜有研究探索 GCNs 中的解耦表示。本文中，我们提出一种新颖的独立性促进的图解耦网络（IPGDN），以学习解耦节点表示并增强节点表示间的独立性。具体而言，我们首先通过邻域路由机制提出解耦表示学习，然后采用 Hilbert-Schmidt 独立性准则（HSIC）来强制潜在表示间的独立性，其作为正则化项被有效集成到图卷积框架的输出层中。在真实图上的实验验证了我们模型，并表明我们的算法在半监督图分类、图聚类和图可视化等不同网络应用中大幅优于当前最优方法。
引用
@article{arxiv.1911.11430,
title = {Independence Promoted Graph Disentangled Networks},
author = {Yanbei Liu and Xiao Wang and Shu Wu and Zhitao Xiao},
journal= {arXiv preprint arXiv:1911.11430},
year = {2019}
}