基于可微粗化与最优传输的图层次抽象无监督学习
机器学习
2020-12-08 v2 机器学习
摘要
层次抽象是解决各学科大规模图问题的一类方法。粗化即其中一种途径：它生成图的金字塔，其中下一层级的图是前一层级图的结构性概要。在科学计算中有着悠久历史，许多粗化策略基于数学驱动的启发式方法而发展。近来，深度学习中对设计可通过可微参数化学习的层次方法兴趣复兴。这些方法与下游任务配对以进行监督学习。然而在实践中，监督信号(如标签)稀缺且通常获取费力。本工作中，我们提出一种利用最优传输的无监督方法，称为OTCoarsening。粗化矩阵与传输代价矩阵均被参数化，从而可学习并针对给定图集定制最优粗化策略。我们证明所提方法能生成有意义的粗图，并在图分类与回归上取得与监督方法相竞争的性能。
引用
@article{arxiv.1912.11176,
title = {Unsupervised Learning of Graph Hierarchical Abstractions with Differentiable Coarsening and Optimal Transport},
author = {Tengfei Ma and Jie Chen},
journal= {arXiv preprint arXiv:1912.11176},
year = {2020}
}
备注
AAAI 2021. Code is available at https://github.com/matenure/OTCoarsening