重访先初始化后精炼：一种面向不完整与缺失图的填补网络
人工智能
2023-02-16 v1 机器学习
摘要
随着社交网络和知识图谱等各种应用的发展，图数据在现实世界中已无处不在。遗憾的是，由于隐私保护政策或版权限制，图在数据收集过程中通常存在缺失。图数据的缺失可大致分为属性不完整和属性缺失两种情况。具体而言，属性不完整指所有节点的属性向量有一部分不完整，而属性缺失指部分节点的整个属性向量丢失。尽管已有诸多努力，但尚无方法针对两种图数据缺失同时存在的常见情形进行专门设计。为填补这一空白，我们提出了一种称为重访先初始化后精炼（RITR）的新网络，在一种新颖的先初始化后精炼填补准则指导下，同时完成属性不完整和属性缺失样本的填补。具体而言，为完成属性不完整样本，我们先用高斯噪声初始化不完整属性再进行网络学习，然后引入结构-属性一致性约束，通过将结构-属性相关矩阵逼近高阶结构矩阵来精炼不完整值。为完成属性缺失样本，我们先用属性缺失样本的结构嵌入作为嵌入初始化，再根据动态亲和结构自适应聚合属性不完整样本的可靠信息来精炼这些初始值。据我们所知，这一新设计的方法是首个致力于处理混合缺失图的无监督框架。在四个数据集上的大量实验验证了我们的方法持续优于现有的最先进竞争对手。
引用
@article{arxiv.2302.07524,
title = {Revisiting Initializing Then Refining: An Incomplete and Missing Graph Imputation Network},
author = {Wenxuan Tu and Bin Xiao and Xinwang Liu and Sihang Zhou and Zhiping Cai and Jieren Cheng},
journal= {arXiv preprint arXiv:2302.07524},
year = {2023}
}