Faktorisierbare Graphen-Convolutional Networks

Graphen werden weit verbreitet eingesetzt, um strukturelle Beziehungen zwischen Entitäten darzustellen. In vielen Fällen sind diese Beziehungen heterogen, jedoch miteinander verflochten und lediglich als eine einzelne Kante zwischen zwei Knoten dargestellt. Beispielsweise werden in einem sozialen Netzwerkgraphen Nutzer, die sich in unterschiedlichen latenten Beziehungen wie Freunden oder Kollegen befinden, oft über eine einfache Kante verbunden, wodurch diese inhärenten Verbindungen verdeckt werden. In diesem Artikel stellen wir ein neuartiges Graphen-Convolutional-Network (GCN), namens Factorizable Graph Convolutional Network (FactorGCN), vor, das solche verflochtenen Beziehungen explizit entkoppelt, die in einem Graphen kodiert sind. FactorGCN nimmt einen einfachen Graphen als Eingabe und zerlegt ihn in mehrere faktorisierte Graphen, wobei jeder einzelne Graph eine latente und entkoppelte Beziehung zwischen den Knoten repräsentiert. Anschließend werden die Knotenmerkmale jeweils separat in jedem faktorisierten latenten Raum aggregiert, um entkoppelte Merkmale zu generieren, was wiederum zu einer verbesserten Leistung bei nachgeschalteten Aufgaben führt. Wir evaluieren das vorgeschlagene FactorGCN sowohl qualitativ als auch quantitativ anhand synthetischer und realer Datensätze und zeigen, dass es sowohl bei der Entkoppelung als auch bei der Merkmalsaggregation tatsächlich vielversprechende Ergebnisse erzielt. Der Quellcode ist öffentlich unter https://github.com/ihollywhy/FactorGCN.PyTorch verfügbar.