NeurIPS 2024 | 超越关系冗余，电子科大提出全新多重图结构学习框架

文章预览

©PaperWeekly 原创 · 作者 |  沈智翔 单位 | 电子科技大学本科生 研究方向 | 图数据挖掘 多重图（多关系图）是由多个跨越同类型节点的图层组成的特殊异构图，具有强大的数据建模能力。无监督多重图学习（Unsupervised Multiplex Graph Learning， UMGL）的目标是在不需要人工标记的情况下学习多关系图中的节点表征。 然而，现有的研究忽略了一个关键因素：图结构的可靠性。现实图数据通常包含大量与任务无关的噪声，严重影响了 UMGL 的性能。 此外，现有的方法主要依赖于对比学习来最大化不同视图之间的互信息，这将它们限制于多视图冗余场景。现实多关系图数据往往符合更为普适的非冗余准则，如何有效捕捉视图特有（独立）的任务相关信息成为了关键问题。 在该项研究中，我们关注一个更具挑战性和现实性的任务： 如何以无监督的方式从原始多 ………………………………