基于 Grassmann 流形子空间融合的多视图图结构学习
机器学习
2022-04-12 v1
摘要
近来已开发出许多成功的算法来表示图结构数据。例如，图神经网络（GNNs）在节点分类、图分类和链接预测等各种任务中取得了可观的成功。然而，这些方法高度依赖于输入图结构的质量。缓解此问题的一种常用方法是学习图结构，而非依赖人工设计的图。在本文中，我们引入一种使用多视图学习的新型图结构学习方法，名为 MV-GSL（多视图图结构学习），其中我们通过 Grassmann 流形上的子空间融合来聚合不同的图结构学习方法，以提升所学图结构的质量。我们在两个基准数据集 Cora 和 Citeseer 上进行了大量实验以评估所提方法的有效性。我们的实验表明，与单一及其他组合的图结构学习方法相比，所提方法具有令人满意的性能。
引用
@article{arxiv.2204.05258,
title = {Multi-view graph structure learning using subspace merging on Grassmann manifold},
author = {Razieh Ghiasi and Hossein Amirkhani and Alireza Bosaghzadeh},
journal= {arXiv preprint arXiv:2204.05258},
year = {2022}
}