Graphenrepräsentationslernen jenseits von Knoten und Homophilie

Unüberwachte Graph-Darstellungslernverfahren zielen darauf ab, verschiedene Graph-Informationen in eine aufgabenunabhängige, dichte Vektorrepräsentation zu komprimieren. Allerdings sind bestehende Ansätze zur Graph-Darstellungslernung hauptsächlich unter der Annahme der Knotenhomophilie entworfen: Verbundene Knoten neigen dazu, ähnliche Labels zu besitzen, und optimieren ihre Leistung bei knotenorientierten Nachfolgeaufgaben. Diese Gestaltung steht offensichtlich im Widerspruch zum Prinzip der aufgabenunabhängigen Darstellung und leidet in der Regel unter schlechter Leistung bei Aufgaben, wie beispielsweise der Kantenklassifikation, die Merkmalssignale erfordern, die über die Knotenperspektive und die Homophilieannahme hinausgehen. Um verschiedene Merkmalsignale in die Repräsentationen zu integrieren, schlägt dieser Artikel PairE, eine neuartige unüberwachte Graph-Embedding-Methode, vor, die zwei Paar-Knoten als grundlegende Einheit für die Embedding-Erzeugung nutzt, um hochfrequente Signale zwischen Knoten zu bewahren und somit sowohl knotenbezogene als auch kantenbezogene Aufgaben zu unterstützen. Dementsprechend wird ein mehrfach selbstüberwachter Autoencoder entworfen, der zwei Vorläuferaufgaben erfüllt: Eine verbessert die Erhaltung hochfrequenter Signale, während die andere die Repräsentation gemeinsamer Merkmale verstärkt. Umfangreiche Experimente auf einer Vielzahl von Benchmark-Datensätzen zeigen eindeutig, dass PairE die besten unüberwachten State-of-the-Art-Baselines übertrifft, wobei eine relative Verbesserung von bis zu 101,1 % bei der Kantenklassifikation erzielt wird – einer Aufgabe, die sowohl hoch- als auch niederfrequente Signale innerhalb der Paare nutzt – und bis zu 82,5 % relative Leistungssteigerung bei der Knotenklassifikation.