基于组合能量模型的联合 $k$-节点图表示的无监督学习
机器学习
2020-10-12 v1 人工智能
摘要
现有的学习归纳式无监督图表示的图神经网络（GNN）方法侧重于通过预测图中观测到的边来学习节点和边表示。尽管此类方法在下游节点分类任务中表现出进展，但它们在联合表示更大的 -节点集合（）时效率低下。我们提出 MHM-GNN，一种归纳式无监督图表示方法，将联合 -节点表示与能量模型（超图马尔可夫网络）和 GNN 相结合。为解决该组合产生的损失难解性问题，我们借助有限样本无偏马尔可夫链蒙特卡洛估计器为优化赋予损失上界。我们的实验表明，MHM-GNN 的无监督表示比文献中现有方法产生更好的无监督表示。
引用
@article{arxiv.2010.04259,
title = {Unsupervised Joint $k$-node Graph Representations with Compositional Energy-Based Models},
author = {Leonardo Cotta and Carlos H. C. Teixeira and Ananthram Swami and Bruno Ribeiro},
journal= {arXiv preprint arXiv:2010.04259},
year = {2020}
}
备注
accepted at NeurIPS 2020