Graph Representation Learning via Diversity-preserving Graph Refinement

要約

タイトル： 多様性を保つグラフ修正を介したグラフ表現学習

要約：

– 実際のグラフデータにおいて、ノード間の複雑な関係は、通常、離散的で単純化されたバイナリリンクとして表現される。
– しかし、この表現方法は、ノード間の連続的な関係性を表現する能力を制限し、学習されたノード表現の表現力を制限する。
– この問題を解決するために、埋め込み空間で得られたノード表現を使用して、ノード間の本質的な関係を明らかにすることができる。
– ただし、すべてのノード間の関係性をグローバルに修正すると、ノイズの多いエッジが発生することがあり、ノード表現の学習モデルの訓練をさらに困難にすることがある。
– この問題を解決し、効率的で堅牢なグラフ修正を達成するために、ノードの潜在的な関係を進行的に明らかにするためのローカル構造に注意したグラフ修正手法を提案する。

要約(オリジナル)

For real-world graph data, the complex relationship between nodes is often represented as a hard binary link. Obviously, it is a discrete and simplified form of continuous relationship between nodes, which seriously limits the expressibility of the learned node representation. On the other hand, the node representation obtained in the embedding space can in turn be used to reveal the intrinsic relationship between nodes. To better characterize the node relationships and further facilitate the learning of node representation, an intuitive way is to refine the originally given graph structure with the embedded node representations. However, such global refinement of the relationships among all nodes without distinction will inevitably lead to some noisy edges, which may further confuse the training of the node representation learning model. In addition, it also has scalability problems on large graphs. To address these issues, we propose a local structure aware graph refinement to progressively reveal the latent relationships of nodes, thus achieving efficient and robust graph refinement.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI