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…
本文考虑了两个无监督GSL任务——结构推理(structure inference)和结构细化(structure refinement)。前者适用于没有预定义图结构或者图结构不可用的一般数据集,后者的目的是修改给定的嘈杂拓扑,并产生一个信息更丰富的图。 4 理论方法 如图所示,SUBLIME在最高层次上由两部分组成:对学习后的图拓扑进行建模和正则化的图...
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。