用于图学习的 Wasserstein 嵌入
机器学习
2021-03-03 v2 机器学习
摘要
我们提出 Wasserstein Embedding for Graph Learning (WEGL)，一种新颖且快速的将整个图嵌入向量空间的框架，其中各种机器学习模型可应用于图级预测任务。我们利用关于将图间相似性定义为其节点嵌入分布相似性之函数的新见解。具体而言，我们使用 Wasserstein 距离来度量不同图的节点嵌入之间的相异度。与先前工作不同，我们避免图间距离的成对计算，并将计算复杂度从图数量的二次方降至线性。WEGL 计算从参考分布到每个节点嵌入的 Monge 映射，并基于这些映射创建图的固定大小向量表示。我们在多个基准图属性预测任务上评估我们新的图嵌入方法，显示出最先进的分类性能，同时具有优越的计算效率。代码可在 https://github.com/navid-naderi/WEGL 获取。
引用
@article{arxiv.2006.09430,
title = {Wasserstein Embedding for Graph Learning},
author = {Soheil Kolouri and Navid Naderializadeh and Gustavo K. Rohde and Heiko Hoffmann},
journal= {arXiv preprint arXiv:2006.09430},
year = {2021}
}
备注
Final version to be presented at the Ninth International Conference on Learning Representations (ICLR 2021)