基于属性解码的可解释节点表示
机器学习
2022-12-06 v1 社会与信息网络
摘要
变分图自编码器（VGAEs）是从图数据中无监督学习节点表示的强大模型。在本工作中，我们系统分析了 VGAEs 中对节点属性的建模，并表明属性解码对于节点表示学习十分重要。我们进一步提出一种新的学习模型：基于属性解码的可解释节点表示（NORAD）。该模型以可解释的方式编码节点表示：节点表示捕捉图中的社区结构以及社区与节点属性之间的关系。我们进一步提出一种修正过程以精炼孤立节点的节点表示，提升这些节点表示的质量。我们的实证结果展示了所提模型在以可解释方式学习图数据时的优势。
引用
@article{arxiv.2212.01682,
title = {Interpretable Node Representation with Attribute Decoding},
author = {Xiaohui Chen and Xi Chen and Liping Liu},
journal= {arXiv preprint arXiv:2212.01682},
year = {2022}
}
备注
Accepted by Transactions on Machine Learning Research