时空深度图互信息最大化
机器学习
2019-04-15 v1 机器学习
摘要
交通网络或基因调控系统等时空图因结构随时间变化的复杂性，对现有深度学习方法构成挑战。为解决这些问题，我们引入时空深度图互信息最大化（STDGI）——一种基于互信息最大化的完全无监督节点表示学习方法，其利用了图的时间与空间动态特性。我们的模型通过训练嵌入以最大化图块在任意给定时间步的互信息，以及图块中心节点特征在未来的互信息，来处理节点级回归这一挑战性任务。我们通过实验与定性研究证明，所学表示能成功编码输入图的相关信息，并提升时空自回归预测模型的预测性能。
引用
@article{arxiv.1904.06316,
title = {Spatio-Temporal Deep Graph Infomax},
author = {Felix L. Opolka and Aaron Solomon and Cătălina Cangea and Petar Veličković and Pietro Liò and R Devon Hjelm},
journal= {arXiv preprint arXiv:1904.06316},
year = {2019}
}
备注
6 pages, 2 figures, Representation Learning on Graphs and Manifolds Workshop of the International Conference on Learning Representations (ICLR)