基于相关信息原理的自组织保持图结构学习
机器学习
2023-01-03 v1 人工智能
摘要
大多数图神经网络遵循消息传递范式，假设观测到的结构刻画了真实的节点关系。然而，这一基本假设并非总能成立，因为现实世界的图往往是不完整的、含噪的或冗余的。如何以统一的方式揭示内在图结构仍鲜有探索。我们提出了 PRI-GSL，一个由相关信息原理引导的图结构学习框架，为识别自组织并揭示隐藏结构提供了简单而统一的框架。PRI-GSL 学习一种包含由冯·诺依曼熵和量子 Jensen-Shannon 散度量化的最相关且最冗余信息最少的结构。PRI-GSL 将量子连续行走的演化与图小波相结合以编码节点结构角色，展示了节点如何与图结构相互作用并自组织。大量实验证明了 PRI-GSL 的优越有效性与鲁棒性。
引用
@article{arxiv.2301.00015,
title = {Self-organization Preserved Graph Structure Learning with Principle of Relevant Information},
author = {Qingyun Sun and Jianxin Li and Beining Yang and Xingcheng Fu and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2301.00015},
year = {2023}
}
备注
Accepted by AAAI 2023