多路InfoMax图学习

自适应增广保结构

该模型在拓扑和特征两个维度上自适应增广图视图，并通过最大化节点表示与多层次图摘要的互信息，挖掘多级子结构。

徐欣 · 杜军平 · Jie, Song · 薛哲 · 里昂 · Guan, Zeli

Neurocomputing 2023

参数信息

数据集数量

7

技术优势

增广不伤结构

自适应增广在拓扑和特征维度上生成视图，避免移除关键边和判别性特征，从而保持视图的信息量。

挖掘多级子结构

通过增加节点表示与多层次图摘要之间的互信息最大化约束，使编码器能够捕捉更底层的节点交互。

应用场景

• 图表示学习：提供更有效的图编码器，提升下游任务性能。
• 节点分类：学到的节点表示能更好捕捉结构，提高分类准确率。
• 链路预测：多级摘要约束使编码器更能理解节点交互，预测潜在链接。
• 无监督学习：无需标签信息即可学习高质量图表示。