PropEnc：面向图神经网络的属性编码器
机器学习
2025-06-10 v3 社会与信息网络
摘要
图机器学习，特别是使用图神经网络，严重依赖节点特征。然而，许多真实世界系统（如社交网络和生物网络）缺乏节点特征，这是由于隐私 concerns、数据不完整或收集限制所致。结构编码和位置编码常用于解决此问题，但受限于编码属性的最大值，例如最高节点度。这种限制使得它们不适用于无尺度网络和涉及大型或非分类属性的应用。这篇论文介绍了 PropEnc，一种新型且通用的编码器，用于从任意图度量中生成富有表现力的节点嵌入。通过将直方图构建与反转索引编码相结合，PropEnc 提供了一种灵活的解决方案，支持低维表示和多种输入类型，有效缓解稀疏问题的同时提高计算效率。此外，它能够复制 one-hot 编码或以高精度近似索引，使其适用于广泛的图应用。我们通过在多个缺乏节点特征的社交网络上进行的广泛实验验证了 PropEnc。实验结果表明，PropEnc 为从各种图度量中构建节点特征提供了一种有效机制。
引用
@article{arxiv.2409.11554,
title = {PropEnc: A Property Encoder for Graph Neural Networks},
author = {Anwar Said and Waseem Abbas and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2409.11554},
year = {2025}
}
备注
conference paper