用于多层级图表示学习的同构一致变分图自编码器
机器学习
2023-12-12 v1
摘要
图表示学习是一个基础研究主题，可以推广以惠及从节点和链接级别到更高图级别的多种下游任务。在实践中，开发通常以无监督方式训练的、与任务无关的通用图表示学习方法是非常理想的。相关研究表明，图表示学习方法的性能取决于它们能否将不同的图结构区分为不同的嵌入，并将同构图映射到一致的嵌入（即图模型的同构一致性）。然而，对于与任务无关的通用图表示学习，以变分图自编码器（VGAE）为代表的现有无监督图模型只能在 1 跳邻域的子图内保持同构一致性，因此在更困难的高层级任务上通常表现不佳。为了克服现有无监督方法的局限性，本文提出了用于多层级与任务无关的图表示学习的同构一致 VGAE（IsoC-VGAE）。我们首先设计了一种解码方案，在无监督学习设置下提供保持同构一致性的理论保证。然后，我们提出了逆图神经网络（Inv-GNN）解码器作为其直观实现，该解码器通过利用多跳邻域信息重构 GNN 节点嵌入来训练模型，从而在 VGAE 框架内保持高阶同构一致性。我们在不同层级的代表性图学习任务上进行了广泛实验，包括节点分类、链路预测和图分类，结果验证了本文提出的模型普遍优于最先进的无监督方法和代表性的有监督方法。
引用
@article{arxiv.2312.05519,
title = {Isomorphic-Consistent Variational Graph Auto-Encoders for Multi-Level Graph Representation Learning},
author = {Hanxuan Yang and Qingchao Kong and Wenji Mao},
journal= {arXiv preprint arXiv:2312.05519},
year = {2023}
}