面向特征与结构缺失图的无人监督图补全学习
机器学习
2023-09-07 v1
摘要
近年来，图神经网络（GNN）在各种图分析任务中取得了显著进展。然而，由于众多不可预测的因素，当收集到的节点特征或结构关系部分缺失时，GNN的优越性能将受到严重损害。近期出现的图补全学习（GCL）旨在特定监督任务指导下重建缺失的节点特征或结构关系，已受到越来越多的关注。尽管这些提出的GCL方法取得了巨大成功，它们仍存在以下问题：对标签的依赖、重建的节点特征与结构关系的偏差。此外，当收集到的节点特征和结构关系同时部分缺失时，现有GCL的泛化能力仍面临巨大挑战。为解决上述问题，我们借助自监督学习提出一种更通用的GCL框架，以提升现有GNN变体在特征与结构缺失图上的任务性能，称为无人监督GCL（UGCL）。具体而言，为避免GNN消息传递过程中缺失节点特征与结构的不匹配，我们将特征重建与结构重建分离并依次设计其个性化模型。然后，引入结构层面与特征层面的双重对比损失，以最大化来自特征重建与结构重建路径的节点表示互信息，从而提供更多监督信号。最后，重建的节点特征与结构可应用于下游节点分类任务。在八个数据集、三种GNN变体和五种缺失率上的大量实验证明了我们所提方法的有效性。
引用
@article{arxiv.2309.02762,
title = {Towards Unsupervised Graph Completion Learning on Graphs with Features and Structure Missing},
author = {Sichao Fu and Qinmu Peng and Yang He and Baokun Du and Xinge You},
journal= {arXiv preprint arXiv:2309.02762},
year = {2023}
}
备注
Accepted by 23rd IEEE International Conference on Data Mining (ICDM 2023)