最近对Graph Structurel Learning(GSL)感兴趣,把之前相关的文章都速读了一遍。因为我主要关注的是新图是如何构建的,所以很多地方可能写得不够仔细,之后有时间再补吧。 1. ICML2019 | LDS | Learning Discrete S…
(2)Lack of persistent guidance(缺乏持续的引导):Fixed anchor view(固定锚图)包含优先信息指导GSL,一旦Graph learner(图学习器)掌握了这些信息,模型就很难在接下来的训练步骤中获取有效监督。 (3)Over-fitting the anchor structure(锚固定结构过拟合):在最大化两种view的一致性的学习目标的驱动下,学习结构倾向于...
为了得到更好的图结构,现在有很多方法联合优化训练图结构以及图表征,这些方法统称为图结构学习(Graph Structure Learning)。在这篇综述中,总结了最近的图结构学习的方法,指出了现有的问题和对未来的展望。 该论文的组织结构如下: 在介绍图结构学习之前,我们得先对一些名词进行区分: Please kindly note that GSL, alth...
两种常见设置: 换向学习(transductive learning),测试结点位于用于训练的图中 归纳学习(inductive learning),处理训练图之外的新的不可见结点,目标是学习节点级预测的函数,即估计图中未标记或是新节点的标签。 存在的挑战:输入结构可能并不是节点之间传播信号的理想结构,相反某些潜在的结构可以促进学习更好的结点表示。
无监督图结构学习的必要性在于，现有的图神经网络（GNN）和深度图结构学习（Deep GSL）在有监督场景下学习图结构时存在依赖标签信息、边缘分布偏差以及限制下游任务泛化能力的问题。本文提出了一种面向无监督深度图结构学习的解决方案，旨在提供一种更实用的图结构学习范式，即无监督图结构学习。无监督图结构...