STERLING：二部图上的协同表示学习
机器学习
2024-02-13 v3
摘要
二部图表示学习的一个基本挑战是如何提取信息丰富的节点嵌入。自监督学习（SSL）是解决该挑战的一种有前景的范式。大多数近期的二部图 SSL 方法基于对比学习，通过区分正负节点对来学习嵌入。对比学习通常需要大量负节点对，这可能导致计算负担与语义错误。在本文中，我们引入一种新颖的协同表示学习模型（STERLING）以在无负节点对情况下学习节点嵌入。STERLING 保留了二部图中独特的局部与全局协同性。局部协同性通过最大化异类与同类正节点对的相似性来捕获，全局协同性通过最大化共簇的互信息来捕获。理论分析表明，STERLING 可改善嵌入空间中不同节点类型间的连通性。在多个基准数据集与任务上的广泛实证评估证明了 STERLING 在提取节点嵌入方面的有效性。
引用
@article{arxiv.2302.05428,
title = {STERLING: Synergistic Representation Learning on Bipartite Graphs},
author = {Baoyu Jing and Yuchen Yan and Kaize Ding and Chanyoung Park and Yada Zhu and Huan Liu and Hanghang Tong},
journal= {arXiv preprint arXiv:2302.05428},
year = {2024}
}
备注
Accepted by AAAI'2024