基于一跳线性模型的简洁高效图自编码器
机器学习
2020-06-18 v3 社会与信息网络
机器学习
摘要
过去几年中，图自编码器（AE）和变分自编码器（VAE）作为强大的节点嵌入方法崭露头角，在链接预测和节点聚类等具有挑战性的任务上表现出良好性能。图 AE、VAE 及其多数扩展依赖于多层图卷积网络（GCN）编码器来学习节点的向量空间表示。本文中，我们表明 GCN 编码器对许多应用而言实则过于复杂。我们提议将其替换为针对图的直接邻域（一跳）邻接矩阵、显著更简单且更具可解释性的线性模型，其涉及更少运算、更少参数且无激活函数。针对上述两项任务，我们表明该更简方法在众多真实世界图上（包括通常用于评估图 AE 和 VAE 的所有基准数据集）始终能达到与基于 GCN 的图 AE 和 VAE 相竞争的性能。基于这些结果，我们也质疑反复使用这些数据集来比较复杂图 AE 和 VAE 的合理性。
引用
@article{arxiv.2001.07614,
title = {Simple and Effective Graph Autoencoders with One-Hop Linear Models},
author = {Guillaume Salha and Romain Hennequin and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2001.07614},
year = {2020}
}
备注
Accepted at ECML-PKDD 2020. A preliminary version of this work has previously been presented at the NeurIPS 2019 workshop on Graph Representation Learning: arXiv:1910.00942