基于拓扑结构的属性恢复：面向属性缺失图在社会物联网中的学习
人工智能
2025-01-20 v1
摘要
随着信息技术的发展，社会物联网（SIoT）促进了物理设备与社交网络的融合，深化了对复杂相互作用模式的研究。文本属性图（TAG）捕捉拓扑结构和语义属性，增强了对SIoT中复杂相互作用的分析。然而，现有的图学习方法通常针对完整属性图设计，属性缺失图（AMG）中常见的属性缺失问题增加了分析任务的难度。为此，我们提出了基于拓扑结构的属性恢复（TDAR）框架，利用拓扑数据进行AMG学习。TDAR引入了改进的预填充方法，通过图的本征拓扑实现初始属性恢复。此外，它在嵌入空间中动态调整传播权重并融合同质性策略，以适应AMG特有的拓扑结构，有效减少信息传播过程中的噪声。大量实验表明，TDAR在属性重建和下游任务方面显著优于当前最先进的方法，为解决AMG所带来的挑战提供了稳健解决方案。代码已公开于 https://github.com/limengran98/TDAR。
引用
@article{arxiv.2501.10151,
title = {Topology-Driven Attribute Recovery for Attribute Missing Graph Learning in Social Internet of Things},
author = {Mengran Li and Junzhou Chen and Chenyun Yu and Guanying Jiang and Ronghui Zhang and Yanming Shen and Houbing Herbert Song},
journal= {arXiv preprint arXiv:2501.10151},
year = {2025}
}
备注
Accepted by IEEE Internet of Things Journal