MDS-GNN：基于图的双流图神经网络
机器学习
2024-08-12 v1
摘要
图神经网络 (GNN) 已成为分析和从图结构数据中学习表示的强大工具。GNN 卓越性能的关键前提是图信息的完整性，即节点特征和图结构，而这在现实场景中常常难以满足，因为图常因各种不可控因素而不完整。现有方法仅关注处理要么不完整的特征要么不完整的结构，这不可避免地导致性能损失。为此，本研究提出了一种互惠双流图神经网络 (MDS-GNN)，实现了特征与结构之间的互惠学习。其主要思想如下：a) 基于初始不完整的图结构重建缺失的节点特征；b) 在重建的节点特征基础上生成增强的全局图，并在该全局图上传播不完整的节点特征；c) 通过对比学习使双流过程相互受益。对六个真实数据集上的大量实验表明，我们提出的 MDS-GNN 在不完整图上的效果显著。
引用
@article{arxiv.2408.04845,
title = {MDS-GNN: A Mutual Dual-Stream Graph Neural Network on Graphs with Incomplete Features and Structure},
author = {Peng Yuan and Peng Tang},
journal= {arXiv preprint arXiv:2408.04845},
year = {2024}
}