用于微分图结构学习的神经高斯相似性建模
机器学习
2023-12-18 v1 人工智能
摘要
图结构学习（GSL）在分析跨众多领域的图未知非欧几里得数据方面展现出了巨大的潜力。然而，由于最近邻采样策略阻碍了梯度流，构建端到端的图结构学习模型面临挑战。在本文中，我们通过使用重参数化技巧进行可微采样来替代不可微的最近邻采样，构建了一个微分图结构学习模型。在此框架下，我们认为对最近邻进行采样的操作可能并非总是必要的，特别是在节点特征表现出高度相似性的情况下。为了缓解这一问题，提出了钟形高斯相似性建模来采样非最近邻。为了自适应地对相似性进行建模，我们进一步提出了具有可学习参数的神经高斯相似性，其具有灵活的采样行为。此外，我们通过将大规模图转换为转移图来显著降低复杂度，从而开发了一种可扩展的方法。实验结果证明了所提方法的有效性。
引用
@article{arxiv.2312.09498,
title = {Neural Gaussian Similarity Modeling for Differential Graph Structure Learning},
author = {Xiaolong Fan and Maoguo Gong and Yue Wu and Zedong Tang and Jieyi Liu},
journal= {arXiv preprint arXiv:2312.09498},
year = {2023}
}
备注
Accepted by AAAI 2024