NESS：基于静态子图的节点嵌入
机器学习
2023-05-24 v2
摘要
我们提出了一个在转导设定下使用图自编码器（GAE）从静态子图学习节点嵌入（NESS）的框架。NESS 基于两个关键思想：i）在数据预处理期间通过随机边分割将训练图划分为多个边不重叠的静态稀疏子图；ii）聚合从每个子图学到的节点表示，以在测试时获得图的联合表示。此外，我们在转导设定下提出了一种可选对比学习方法。我们证明，与当前使用整图或随机子图的自编码方法相比，NESS 为链接预测任务提供了更好的节点表示。我们的实验还表明，NESS 改进了多种图编码器的性能，并在边同质性比率从强异质到强同质的多个真实世界数据集上取得了链接预测的 SOTA 结果。
引用
@article{arxiv.2303.08958,
title = {NESS: Node Embeddings from Static SubGraphs},
author = {Talip Ucar},
journal= {arXiv preprint arXiv:2303.08958},
year = {2023}
}
备注
16 pages