用于图神经网络的迭代深度图学习：更优且鲁棒的节点嵌入
机器学习
2020-10-26 v2 机器学习
摘要
在本文中，我们提出了一个端到端的图学习框架，即迭代深度图学习（IDGL），用于联合且迭代地学习图结构与图嵌入。IDGL 的核心原理是基于更好的节点嵌入学习更好的图结构，反之亦然（即基于更好的图结构得到更好的节点嵌入）。我们的迭代方法在所学图结构足够接近为下游预测任务优化的图时动态停止。此外，我们将图学习问题转化为相似度度量学习问题，并利用自适应图正则化来控制所学图的质量。最后，结合基于锚点的近似技术，我们进一步提出了 IDGL 的可扩展版本，即 IDGL-Anch，其在不牺牲性能的前提下显著降低了 IDGL 的时间和空间复杂度。我们在九个基准上的大量实验表明，我们提出的 IDGL 模型能够持续优于或与最先进的基线相匹配。此外，IDGL 对对抗图更具鲁棒性，并能应对直推式与归纳式学习。
引用
@article{arxiv.2006.13009,
title = {Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings},
author = {Yu Chen and Lingfei Wu and Mohammed J. Zaki},
journal= {arXiv preprint arXiv:2006.13009},
year = {2020}
}
备注
19 pages. Accepted by NeurIPS 2020. Final version