OLGA：单类图自编码器
机器学习
2024-08-27 v2
摘要
单类学习（One-class Learning，OCL）是一类应用于实际问题中仅关注单一类别的技术。通常情况下，OCL 的做法是学习一个包含该类别实例的超球体，以理想情况下排斥来自其他类别的未见实例。此外，自从图表示学习在各领域取得成功后，针对图的 OCL 方法就有所提出，因为图的表示学习已成功应用于各种领域。这些方法可能采用两种策略：最初表示图，然后在第二步中对其节点进行分类。另一方面，端到端的方法在一个学习过程中同时学习节点表示和分类节点。我们指出了图上 OCL 文献中存在的三个主要缺口：（i）为 OCL 定制的表示不足；（ii）对超球体参数学习缺乏约束；（iii）方法缺乏可解释性和可视化能力。我们提出了 One-cLass Graph Autoencoder（OLGA）。OLGA 是一种端到端的方法，学习图节点的表示，同时通过结合两个损失函数来封装感兴趣的实例。我们提出了新的超球体损失函数来封装感兴趣的实例。OLGA 将该超球体损失与图自编码器重构损失相结合，以改进模型学习。OLGA 实现了最先进的结果，显著优于六个其他方法，且与五个方法 statistically significant。此外，OLGA 学习低维表示，保持分类性能，同时具备可解释模型表示学习能力。
引用
@article{arxiv.2406.09131,
title = {OLGA: One-cLass Graph Autoencoder},
author = {M. P. S. Gôlo and J. G. B. M. Junior and D. F. Silva and R. M. Marcacini},
journal= {arXiv preprint arXiv:2406.09131},
year = {2024}
}