GraphCroc：用于图结构重建的交叉相关自编码器
生物物理
2025-04-17 v2 软凝聚态物质
信息论
math.IT
细胞行为
摘要
图结构数据是许多应用的核心，推动了各种图表示方法的开发。图自编码器（GAEs）尤其从节点嵌入重构图结构。当前的GAE模型主要利用自相关来表示图结构，关注节点级任务，往往忽视多图情景。我们的理论分析表明，自相关在准确表示特定图特征（如岛屿、对称结构和方向性边）方面通常不足，尤其是在较小或多个图的上下文中。为克服这些限制，我们引入了交叉相关机制，显著提升了GAE的表示能力。此外，我们提出GraphCroc，一种新的GAE，支持针对各种下游任务定制的灵活编码器架构，确保稳健的结构重构，通过镜像式编码-解码过程实现。该模型还通过实施损失平衡策略来解决优化过程中表示偏差的问题。理论分析和数值评估均表明，我们的方法在图结构重构方面显著优于现有的基于自相关的GAE。
引用
@article{arxiv.2410.03395,
title = {Local Clustering and Global Spreading of Receptors for Optimal Spatial Gradient Sensing},
author = {Albert Alonso and Robert G. Endres and Julius B. Kirkegaard},
journal= {arXiv preprint arXiv:2410.03395},
year = {2025}
}
备注
This version has been accepted for publication in Physical Review Letters. The final version is available at https://doi.org/10.1103/PhysRevLett.134.158401. Title has changed