Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding

要約

後続のタスクのためにグラフ データを低次元空間で表現することが、属性付きグラフ埋め込みの目的です。
既存のニューラル ネットワークのアプローチのほとんどは、再構成エラーを最小限に抑えることで潜在表現を学習します。
データの分布と潜在コードのトポロジ構造を同時に考慮する珍しい研究は、現実世界のグラフ データへの埋め込みが劣ることがよくあります。
この論文では、クラウディング問題に取り組むために学習された表現の安定性と品質を向上させる、属性付きグラフ データ用の新しいディープ多様体 (変分) グラフ オート エンコーダ (DMVGAE/DMGAE) メソッドを提案します。
ノード間の測地線の類似性は、事前定義された分布の下で元の空間と潜在空間の間で保存されます。
提案された手法は、一般的なデータセットにわたるさまざまな下流タスクにおいて、最先端のベースライン アルゴリズムを大幅に上回り、ソリューションが検証されました。
承認後にコードを公開することをお約束します。

要約(オリジナル)

Representing graph data in a low-dimensional space for subsequent tasks is the purpose of attributed graph embedding. Most existing neural network approaches learn latent representations by minimizing reconstruction errors. Rare work considers the data distribution and the topological structure of latent codes simultaneously, which often results in inferior embeddings in real-world graph data. This paper proposes a novel Deep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE) method for attributed graph data to improve the stability and quality of learned representations to tackle the crowding problem. The node-to-node geodesic similarity is preserved between the original and latent space under a pre-defined distribution. The proposed method surpasses state-of-the-art baseline algorithms by a significant margin on different downstream tasks across popular datasets, which validates our solutions. We promise to release the code after acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google