通过图形结构自我对比学习模拟MLPs上的图形结构信息

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 图形表示学习学习学习图形表示学习

背景情况:

• 图形神经网络 (GNN) 在图形任务中表现出色,但依赖于消息传递,这可能对噪音和干扰敏感.
• 通过GNN中的消息传递,明确地将节点特征与结构信息合起来,可能会导致错误传播和降低稳定性.

研究的目的:

• 提出一个新的框架,图形结构自我对比 (GSSC),可以学习图形结构信息而不依赖于消息传递.
• 增强基于图形的机器学习模型的稳定性和概括能力.

主要方法:

• GSSC框架使用多层感知子 (MLP),并隐含地将结构信息作为先验知识.
• 它采用结构散射 (STR-Sparse) 来消除噪音边缘和结构自对比 (STR-Contrast) 来学习强大的节点表示.
• STR-Sparse和STR-Contrast是作为一个统一框架内的双级优化问题而制定的.

主要成果:

• 在与图表相关的任务中,GSSC与领先的竞争对手相比,表现优越.
• 实验表明,GSSC框架实现了更好的概括性和稳定性.
• 定性和定量结果验证了拟议方法的有效性.

结论:

• GSSC框架提供了一个有效的替代方案,用于从图形数据中学习,而不是传统的传递消息的GNN.
• 通过避免明确的消息传递,GSSC减轻了与噪声和干扰有关的问题,从而产生了更可靠的模型.
• 拟议的方法为开发更强大的图形表示学习技术提供了一个有希望的方向.