具有生成 - 对比学习的基序感知黎曼图神经网络
机器学习
2024-01-03 v1
摘要
图是具有复杂结构的典型非欧几里得数据。近年来，黎曼图表示学习已成为欧几里得方法的一个令人兴奋的替代方案。然而，黎曼方法仍处于早期阶段：大多数方法无论结构复杂性如何都呈现单一曲率（半径），由于指数/对数映射而遭受数值不稳定，并且缺乏捕捉基序规律性的能力。鉴于上述问题，我们提出了\emph{基序感知黎曼图表示学习}问题，旨在寻求一种数值稳定的编码器，以在无标签的情况下在多样曲率流形中捕捉基序规律性。为此，我们提出了一种具有生成 - 对比学习的新型基序感知黎曼模型 (MotifRGC)，该模型以自监督方式在黎曼流形中进行最小最大博弈。首先，我们提出了一种新型黎曼 GCN (D-GCN)，其中我们通过带有多样化因子的乘积层构建多样曲率流形，并用稳定的核层替换指数/对数映射。其次，我们引入了基序感知黎曼生成 - 对比学习，以在构建的流形中捕捉基序规律性，并在无外部标签的情况下学习基序感知节点表示。实证结果表明了 MotifRGC 的优越性。
引用
@article{arxiv.2401.01232,
title = {Motif-aware Riemannian Graph Neural Network with Generative-Contrastive Learning},
author = {Li Sun and Zhenhao Huang and Zixi Wang and Feiyang Wang and Hao Peng and Philip Yu},
journal= {arXiv preprint arXiv:2401.01232},
year = {2024}
}
备注
Accepted by AAAI24