孪生属性缺失图自编码器
机器学习
2021-12-10 v1 人工智能
摘要
属性缺失图上的图表示学习（GRL）是一个常见且具有挑战性的问题，近来引起了相当多的关注。我们观察到已有文献存在以下不足：1）孤立地学习属性嵌入与结构嵌入，因而未能充分利用这两类信息；2）对潜空间变量施加了过于严格的分布假设，导致特征表示判别力不足。本文基于在两种信息源之间引入紧密信息交互的思想，提出了孪生属性缺失图自编码器（SAGA）。具体而言，我们采取了三种策略。首先，通过引入孪生网络结构来共享两个过程所学到的参数，将属性嵌入与结构嵌入相纠缠，使网络训练能从更丰富多样的信息中获益。其次，我们引入 K 近邻（KNN）与结构约束增强的学习机制，通过过滤不可靠连接来提升缺失属性的潜特征质量。第三，我们在多个邻接矩阵上手动掩蔽连接，并迫使结构信息嵌入子网络恢复真实的邻接矩阵，从而迫使所得网络能够有选择地利用更多高阶判别特征以完成数据补全。在六个基准数据集上的大量实验证明了我们的 SAGA 相对于最先进方法的优越性。
引用
@article{arxiv.2112.04842,
title = {Siamese Attribute-missing Graph Auto-encoder},
author = {Wenxuan Tu and Sihang Zhou and Yue Liu and Xinwang Liu},
journal= {arXiv preprint arXiv:2112.04842},
year = {2021}
}
备注
under review