【NeurIPS2024】超越冗余：信息感知的无监督多重图结构学习

文章预览

无监督多重图学习 (UMGL) 旨在通过各种边类型学习节点表示，而无需手动标注。然而，现有研究忽略了一个关键因素：图结构的可靠性。现实世界的数据通常表现出复杂的特性，并且包含大量与任务无关的噪声，严重影响了 UMGL 的性能。此外，现有方法主要依赖于对比学习来最大化不同图之间的互信息，这使得它们仅限于处理多重图的冗余场景，未能捕捉到视图特有的任务相关信息。在本文中，我们专注于一个更具现实性和挑战性的任务：无监督地从多个图中学习一个融合图，该图能够保留足够的任务相关信息，同时去除任务无关的噪声。具体而言，我们提出的信息感知无监督多重图融合框架 (InfoMGF) 使用图结构优化来消除无关噪声，同时最大化视图共享和视图特有的任务相关信息，从而应对非冗余多重图的前沿问题。理论分析进一步保证了 InfoMGF ………………………………