SAILOR：基于结构增强的尾节点表示学习
机器学习
2023-08-16 v2 人工智能
摘要
图神经网络（GNNs）近年来在图表示学习中取得了最先进的性能。然而，依赖于消息传播这一关键操作的 GNNs 的有效性，高度取决于拓扑结构的质量。现实场景中的大多数图的节点度遵循长尾分布，即图中绝大多数节点是仅有少量连接边的尾节点。由于缺少结构信息，GNNs 为尾节点生成的节点表示较差。为了提升 GNNs 对尾节点的表达能力，我们探究了结构信息的缺失如何损害尾节点的性能，并提出了一种通用的基于结构增强的尾节点表示学习框架，称为 SAILOR，该框架能够联合学习增强图结构并为尾节点提取更具信息量的表示。在公开基准数据集上的大量实验表明，SAILOR 能显著改善尾节点表示并优于最先进的基线方法。
引用
@article{arxiv.2308.06801,
title = {SAILOR: Structural Augmentation Based Tail Node Representation Learning},
author = {Jie Liao and Jintang Li and Liang Chen and Bingzhe Wu and Yatao Bian and Zibin Zheng},
journal= {arXiv preprint arXiv:2308.06801},
year = {2023}
}
备注
Accepted by CIKM 2023; Code is available at https://github.com/Jie-Re/SAILOR