保结构图表示学习
机器学习
2022-12-09 v2 人工智能
计算机视觉与模式识别
社会与信息网络
摘要
尽管图表示学习（GRL）已取得显著进展，但以充分方式提取并嵌入丰富的拓扑结构与特征信息仍具挑战。大多数现有方法关注局部结构，未能充分纳入全局拓扑结构。为此，我们提出一种新颖的保结构图表示学习（SPGRL）方法，以充分捕获图的结构信息。具体而言，为降低原始图的不确定性与错误信息，我们通过 k-最近邻（k-Nearest Neighbor）方法构建特征图作为补充视图。该特征图可用于在节点级进行对比以捕获局部关系。此外，我们通过最大化整图与特征嵌入的互信息（MI）来保留全局拓扑结构信息，理论上这可化简为交换特征图与原始图的特征嵌入以重建自身。大量实验表明，我们的方法在半监督节点分类任务上具有相当优越的性能，并在图结构或节点特征受噪声扰动下表现出优异的鲁棒性。
引用
@article{arxiv.2209.00793,
title = {Structure-Preserving Graph Representation Learning},
author = {Ruiyi Fang and Liangjian Wen and Zhao Kang and Jianzhuang Liu},
journal= {arXiv preprint arXiv:2209.00793},
year = {2022}
}
备注
Accepted by the IEEE International Conference on Data Mining (ICDM) 2022. arXiv admin note: text overlap with arXiv:2108.04822