利用图去噪策略网络学习鲁棒表示
机器学习
2019-10-07 v1 机器学习
摘要
图表示学习旨在学习捕获原始图中节点间几何依赖关系的低维表示，在包括节点分类与链接预测在内的多种图分析任务中日益受到关注。现有的基于图神经网络及其变体的表示学习方法依赖于邻域信息的聚合，这使其对图中的噪声敏感。本文提出图去噪策略网络（简称 GDPNet），通过强化学习从含噪图数据中学习鲁棒表示。GDPNet 首先为每个节点选择信号邻域，然后聚合所选邻域的信息以为下游任务学习节点表示。具体而言，在信号邻域选择阶段，GDPNet 通过将去除噪声邻域的过程建模为马尔可夫决策过程，并利用从表示学习阶段获得的任务特定奖励学习策略，来优化每个目标节点的邻域。在表示学习阶段，GDPNet 从信号邻居聚合特征以为下游任务生成节点表示，并向信号邻居选择阶段提供任务特定奖励。这两个阶段联合训练，以选择具有最大累积任务特定奖励的目标节点的最优邻居集合，并学习节点的鲁棒表示。节点分类任务上的实验结果证明了 GDNet 的有效性，在多个被广泛研究的数据集上优于最先进的图表示学习方法。此外，GDPNet 在数学上等价于求解子模最大化问题，这从理论上保证了 GDPNet 对最优解的近似最佳性。
引用
@article{arxiv.1910.01784,
title = {Learning Robust Representations with Graph Denoising Policy Network},
author = {Lu Wang and Wenchao Yu and Wei Wang and Wei Cheng and Wei Zhang and Hongyuan Zha and Xiaofeng He and Haifeng Chen},
journal= {arXiv preprint arXiv:1910.01784},
year = {2019}
}
备注
10 pages