SLAPS：自监督改进图神经网络的结构学习
机器学习
2021-11-02 v2 人工智能
摘要
图神经网络（GNNs）在给定图结构时表现良好。然而，该结构在真实世界应用中未必总可获得。该问题的一个解决方案是推断特定任务的潜在结构，然后将 GNN 应用于推断出的图。不幸的是，可能的图结构空间随节点数量超指数增长，因此特定任务的监督可能不足以同时学习结构和 GNN 参数。本工作中，我们提出邻接与 GNN 参数自监督同步学习（SLAPS），一种通过自监督为推断图结构提供更多监督的方法。一项全面的实验研究表明，SLAPS 可扩展至具有数十万节点的巨型图，并在既定基准上优于若干已被提出用于学习特定任务图结构的模型。
引用
@article{arxiv.2102.05034,
title = {SLAPS: Self-Supervision Improves Structure Learning for Graph Neural Networks},
author = {Bahare Fatemi and Layla El Asri and Seyed Mehran Kazemi},
journal= {arXiv preprint arXiv:2102.05034},
year = {2021}
}
备注
Accepted at NeurIPS 2021