t-PINE：基于张量的可预测且可解释节点嵌入
机器学习
2018-05-08 v1 机器学习
摘要
图表示在过去几年中日益流行。现有的表示学习方法显式编码网络结构。尽管这些方法在下游任务（如节点分类、链接预测）中表现良好，但在效能、可视化和可解释性等不同方面仍有改进空间。本文提出 t-PINE，一种解决这些局限性的方法。与通常仅使用邻接矩阵学习显式图表示的基线方法不同，t-PINE 利用多视图信息图——邻接矩阵作为第一视图，基于节点特征计算的近邻邻接作为第二视图——通过规范多面体（又称 CP）分解来学习显式和隐式节点表示。我们认为，从更高维向量空间到更低维向量空间的隐式与显式映射是学习更有用、高度可预测且优雅可解释表示的关键。拥有良好的可解释表示为理解每个视图如何贡献于表示学习过程提供了良好指导，并有助于我们排除不相关的维度。大量实验表明，在多个多标签分类问题中，t-PINE 相对于 Micro-F1 较基线方法最高提升达 158.6%，同时具有高可视化和可解释性效用。
引用
@article{arxiv.1805.01889,
title = {t-PINE: Tensor-based Predictable and Interpretable Node Embeddings},
author = {Saba A. Al-Sayouri and Ekta Gujral and Danai Koutra and Evangelos E. Papalexakis and Sarah S. Lam},
journal= {arXiv preprint arXiv:1805.01889},
year = {2018}
}