面向图变分自编码器的微观与宏观层级图建模
机器学习
2023-01-18 v2
摘要
图数据的生成模型是机器学习中的重要研究课题。图数据包含通常分开分析的两个层级：节点级属性（如节点对之间连边的存在性）与全局聚合的图级统计（如模体计数）。本文提出一种新的多层级框架，将节点级属性与图级统计作为相互增强的信息源联合建模。我们引入了一种结合节点级与图级损失的图生成微观-宏观训练目标。我们利用该微观-宏观目标，基于图级潜变量的成熟模型 GraphVAE 来改进图生成，该模型为中型图提供快速的训练与生成时间。我们的实验表明，在五个基准数据集上，为 GraphVAE 模型加入微观-宏观建模可将图质量分数提升多达 2 个数量级，同时保持 GraphVAE 的生成速度优势。
引用
@article{arxiv.2210.16844,
title = {Micro and Macro Level Graph Modeling for Graph Variational Auto-Encoders},
author = {Kiarash Zahirnia and Oliver Schulte and Parmis Naddaf and Ke Li},
journal= {arXiv preprint arXiv:2210.16844},
year = {2023}
}
备注
Thirty-sixth Conference on Neural Information Processing Systems, 2022