Robust Graph Representation Learning for Local Corruption Recovery

要約

グラフ表現学習のパフォーマンスは、グラフ入力の品質に影響されます。
既存の研究では通常、全体的に平滑化されたグラフの埋め込みが追求されていますが、めったに観察されない異常も正確な予測にとって同様に有害であると私たちは考えています。
この研究では、(局所的に) 破損した特徴属性を自動的に検出し、予測タスクの堅牢な埋め込みを回復するグラフ学習スキームを確立します。
検出操作ではグラフ オートエンコーダーを利用しますが、ローカルな破損の分布については何の仮定も立てません。
これにより、不偏マスク行列内の異常なノード属性の位置が特定され、スパース性を促進する正則化によりロバストな推定が回復されます。
オプティマイザーは、フレームレット ドメイン内で疎であり、条件付きで入力観測値に近い新しい埋め込みにアプローチします。
提案したモデルがブラックボックス ポイズニングから堅牢なグラフ表現を回復し、優れたパフォーマンスを達成できることを検証するために、広範な実験が提供されています。

要約(オリジナル)

The performance of graph representation learning is affected by the quality of graph input. While existing research usually pursues a globally smoothed graph embedding, we believe the rarely observed anomalies are as well harmful to an accurate prediction. This work establishes a graph learning scheme that automatically detects (locally) corrupted feature attributes and recovers robust embedding for prediction tasks. The detection operation leverages a graph autoencoder, which does not make any assumptions about the distribution of the local corruptions. It pinpoints the positions of the anomalous node attributes in an unbiased mask matrix, where robust estimations are recovered with sparsity promoting regularizer. The optimizer approaches a new embedding that is sparse in the framelet domain and conditionally close to input observations. Extensive experiments are provided to validate our proposed model can recover a robust graph representation from black-box poisoning and achieve excellent performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google