T-GINEE：基于张量的多层图表示学习
机器学习
2026-05-28 v1
摘要
传统网络分析侧重于单层网络，现实世界系统常由多层网络组成，包含多种关系类型。然而，现有方法通常无法通过独立处理各层或聚合层来捕获复杂的跨层依赖。为此，我们提出T-GINEE（Tensor-Based Generalized Multilayer-graph Estimating Equation），一种结合张量基方法与特定任务损失的统计正则化框架，用于显式建模跨网络相关性。关键创新包括：（1）通过共享潜在因子捕获结构依赖的CP张量分解；（2）通过工作协方差矩阵建模跨层相关性的广义估计方程框架；（3）灵活的链接函数可容纳稀疏性等特征。我们的理论分析在温和条件下建立了一致性和渐近正态性。广泛的实验在合成数据和真实数据集上验证了T-GINEE在多层网络分析中的有效性。
引用
@article{arxiv.2605.28300,
title = {T-GINEE: A Tensor-Based Multilayer Graph Representation Learning},
author = {Maolin Wang and Ziting Mai and Xuhui Chen and Zhiqi Li and Tianshuo Wei and Yutian Xiao and Wenlin Zhang and Wanyu Wang and Ruocheng Guo and Haoxuan Li and Zenglin Xu and Xiangyu Zhao},
journal= {arXiv preprint arXiv:2605.28300},
year = {2026}
}
备注
Accepted by ICML 2026