节点标识符：用于高效图学习的紧凑离散表示
机器学习
2024-10-21 v2
摘要
我们提出了一种新颖的端到端框架，该框架生成高度紧凑（通常为6-15维）、离散（int4类型）且可解释的节点表示，称为节点标识符(node IDs)，以应对大规模图上的推理挑战。通过采用向量量化，我们将来自图神经网络(GNN)多个层的连续节点嵌入压缩为离散码，适用于自监督和监督学习范式。这些节点ID捕获了图数据的高级抽象，并提供了传统GNN嵌入所缺乏的可解释性。在涵盖节点分类、图分类、链接预测和属性图聚类任务的34个数据集上进行的大量实验表明，与当前最先进的方法相比，生成的节点ID显著提高了速度和内存效率，同时实现了具有竞争力的性能。
引用
@article{arxiv.2405.16435,
title = {Node Identifiers: Compact, Discrete Representations for Efficient Graph Learning},
author = {Yuankai Luo and Hongkang Li and Qijiong Liu and Lei Shi and Xiao-Ming Wu},
journal= {arXiv preprint arXiv:2405.16435},
year = {2024}
}