利用弱信息学习强图神经网络
机器学习
2023-05-31 v1
摘要
图神经网络(GNNs)在许多图学习任务中展现出令人印象深刻的性能。然而,当输入图数据存在弱信息(即结构不完整、特征不完整和标签不足)时,GNNs 的性能会下降。多数已有研究试图从具有某一特定类型弱信息的图数据中学习,难以有效应对多种数据缺陷并存且相互影响的场景。为弥补这一不足,本文旨在为弱信息图学习(GLWI)问题开发一种有效且原则性的方法。基于实证分析发现,我们推导出解决 GLWI 问题的两个设计要点,即启用 GNNs 中的长距离传播,并允许信息传播至那些孤立于最大连通分量的游离节点。据此,我们提出 DPT,一种双通道 GNN 框架,不仅在具有不完整结构的输入图上执行长距离信息传播,也在编码全局语义相似度的全局图上执行。我们进一步提出原型对比对齐算法,对齐两通道学到的类级原型,使两种不同信息传播过程相互裨益,最终学到的模型能很好处理 GLWI 问题。在八个真实基准数据集上的大量实验证明了我们所提方法在各种 GLWI 场景下的有效性与高效性。
引用
@article{arxiv.2305.18457,
title = {Learning Strong Graph Neural Networks with Weak Information},
author = {Yixin Liu and Kaize Ding and Jianling Wang and Vincent Lee and Huan Liu and Shirui Pan},
journal= {arXiv preprint arXiv:2305.18457},
year = {2023}
}
备注
Accepted by KDD 2023. 13 pages, 7 figures, 9 tables