面向属性缺失图的 Wasserstein 图神经网络
机器学习
2022-02-17 v2 机器学习
摘要
节点属性缺失是真实世界图中常见的问题。图神经网络已在图表示学习中展现出强大能力，但其性能受图信息完整性的影响。大多数图神经网络并非针对属性缺失图设计，且未能有效利用不完整的属性信息。本文提出一种创新的节点表示学习框架——Wasserstein 图神经网络(WGNN)，以缓解该问题。为充分利用有限的观测属性信息并捕捉缺失值带来的不确定性，我们将节点表示为由属性矩阵分解得到的低维分布。此外，我们开发了一种新颖的消息传递模式，在 Wasserstein 空间中聚合来自邻居的分布信息，从而增强表示的表达能力。我们在合成与真实世界数据集上的两种属性缺失情形下，对 WGNN 进行节点分类任务测试。此外，我们发现 WGNN 适用于恢复缺失值，并将其应用于处理用户-物品图的矩阵补全问题。两项任务的实验结果均证明了我们方法的优越性。
引用
@article{arxiv.2102.03450,
title = {Wasserstein Graph Neural Networks for Graphs with Missing Attributes},
author = {Zhixian Chen and Tengfei Ma and Yangqiu Song and Yang Wang},
journal= {arXiv preprint arXiv:2102.03450},
year = {2022}
}