图嵌入的对称空间：一种Finsler-Riemannian方法

学习忠实的图表示作为顶点嵌入集合已成为广泛机器学习应用中的基本中间步骤。我们提出在表示学习中系统使用对称空间，该类空间涵盖了先前使用的许多嵌入目标。这使我们能引入一种新方法，即在Riemannian优化方案中集成Finsler度量，其能更好适应图中相异结构。我们开发了一种工具来分析嵌入并推断数据集的结构属性。为实现，我们选择Siegel空间，一类通用的对称空间族。我们的方法在多个合成与真实世界数据集的图重构任务上优于竞争基线。我们进一步展示了其在两个下游任务——推荐系统与节点分类上的适用性。