多图对抗学习
计算机视觉与模式识别
2019-01-23 v1
摘要
近来，图卷积网络（GCNs）被广泛研究用于图结构数据的表示与学习。然而，在许多实际应用中，数据伴随多个图出现，而将 GCNs 适配以处理具有多图结构的数据表示并非易事。多图表示的一个主要挑战是如何同时利用每个单独图的结构信息与多个图之间的关联信息。本文中，我们提出一种新颖的多图对抗学习（MGAL）框架用于多图表示与学习。MGAL 旨在通过一种新颖的对抗学习框架，在公共子空间中为多个图学习最优的结构不变且一致的表示，从而同时纳入图内结构信息与图间关联信息。基于 MGAL，我们进而给出一个用于半监督学习任务的统一网络。有前景的实验结果证明了 MGAL 模型的有效性。
引用
@article{arxiv.1901.07439,
title = {Multiple Graph Adversarial Learning},
author = {Bo Jiang and Ziyan Zhang and Jin Tang and Bin Luo},
journal= {arXiv preprint arXiv:1901.07439},
year = {2019}
}