HC-GAE: The Hierarchical Cluster-based Graph Auto-Encoder for Graph Representation Learning

要約

グラフ オート エンコーダ (GAE) は、グラフ表現を学習するための強力なツールです。
本論文では、グラフデータ分析に効果的な構造特性を学習できる新しい階層クラスターベースの GAE (HC-GAE) を開発します。
この目的を達成するために、エンコード プロセス中に、ハード ノード割り当てを利用してサンプル グラフを分離されたサブグラフのファミリーに分解することから始めます。
各サブグラフを粗いノードに圧縮し、元のグラフを粗いグラフに変換します。
一方、復号処理ではソフトノード割り当てを採用し、粗くなったノードを拡張することで元のグラフ構造を再構築します。
提案するHC-GAEは、復号化プロセス中に上記の圧縮手順と伸張手順を階層的に実行することにより、元のサンプルグラフの双方向の階層構造特徴を効果的に抽出できます。
さらに、エンコーダまたはデコーダからの情報を統合できる損失関数を再設計します。
提案された HC-GAE の関連するグラフ畳み込み演算は、個々の分離されたサブグラフ内で制限され、異なるサブグラフ間でノード情報を伝播することができないため、提案された HC-GAE は、古典的な畳み込みベースの GAE で生じる過剰平滑化問題を大幅に軽減できます。
。
提案された HC-GAE は、ノード分類またはグラフ分類の効果的な表現を生成でき、実験では実世界のデータセットでの有効性が実証されています。

要約(オリジナル)

Graph Auto-Encoders (GAEs) are powerful tools for graph representation learning. In this paper, we develop a novel Hierarchical Cluster-based GAE (HC-GAE), that can learn effective structural characteristics for graph data analysis. To this end, during the encoding process, we commence by utilizing the hard node assignment to decompose a sample graph into a family of separated subgraphs. We compress each subgraph into a coarsened node, transforming the original graph into a coarsened graph. On the other hand, during the decoding process, we adopt the soft node assignment to reconstruct the original graph structure by expanding the coarsened nodes. By hierarchically performing the above compressing procedure during the decoding process as well as the expanding procedure during the decoding process, the proposed HC-GAE can effectively extract bidirectionally hierarchical structural features of the original sample graph. Furthermore, we re-design the loss function that can integrate the information from either the encoder or the decoder. Since the associated graph convolution operation of the proposed HC-GAE is restricted in each individual separated subgraph and cannot propagate the node information between different subgraphs, the proposed HC-GAE can significantly reduce the over-smoothing problem arising in the classical convolution-based GAEs. The proposed HC-GAE can generate effective representations for either node classification or graph classification, and the experiments demonstrate the effectiveness on real-world datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google