SMP学术成果速递—属性图的自适应编码器

科技工作者之家 2020-06-28

来源:社媒派SMP


题目:Adaptive Graph Encoder for Attributed Graph Embedding


作者:崔淦渠(清华大学),周界(清华大学),杨成(北京邮电大学),刘知远(清华大学)


会议:ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2020


属性图嵌入是图分析中的一项具有挑战性的任务,它从图的拓扑和节点特征中学习向量表示。近年来,基于图卷积网络 (GCN) 的方法在这方面取得了很大的进展。然而,现有的基于GCN的方法有三个主要缺陷。首先,我们的实验表明,图卷积滤波器和权重矩阵的耦合会损害算法的性能和鲁棒性。其次,我们证明了这些方法中的图形卷积滤波器是广义拉普拉斯平滑滤波器的特例,但它们不能保持最优的低通特性。最后,现有算法的训练目标通常是恢复邻接矩阵或特征矩阵,这与实际应用并不总是一致的。为了解决这些问题,我们提出了一种新的属性图嵌入框架:自适应图编码器 (AGE)。

 

AGE由两个模块组成:(1) 设计良好的非参数化拉普拉斯平滑滤波器进行低通滤波,以获得平滑的特征;(2) 经过平滑的节点特征被输入自适应编码器,学习表示能力更强的节点嵌入。为了代替基于重构的训练目标,我们在这一步采用自适应学习,从节点对相似矩阵中选择训练样本,并迭代地对嵌入进行微调。


图1: 模型示意图


我们使用四个公共基准数据集对AGE在节点聚类和链接预测任务上进行了验证。实验结果表明,在这些任务中,AGE的表现一直明显优于最新的图表示学习方法。我们的代码已在Github上开源:https://github.com/thunlp/AGE。


图2: 节点聚类实验结果


图3: 链接预测实验结果



责任编辑:杨成

来源:CIPS-SMP 社媒派SMP

原文链接:https://mp.weixin.qq.com/s?__biz=MzA5OTQ5MDE0Mw==&mid=2651121558&idx=1&sn=0f9271de57f9365c08056051fb765b3f&chksm=8b71c7a6bc064eb03f2615d56d5579550a9cd0ee3c459db58a72a041c70ee047e888036ae39a#rd

版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。

电话:(010)86409582

邮箱:kejie@scimall.org.cn

卷积 自适应

推荐资讯