Adversarial Network Embedding论文解读

最新推荐文章于 2024-07-02 11:41:14 发布

徐周

最新推荐文章于 2024-07-02 11:41:14 发布

阅读量2.2k

点赞数

本文链接：https://blog.csdn.net/qq_28900249/article/details/81300163

版权

本文提出了一种对抗网络表示（ANE）框架，利用对抗学习原则增强网络表示的鲁棒性。ANE由结构保留部分和对抗学习部分组成，前者通过inductive DeepWalk保持网络结构，后者通过对抗学习生成鲁棒的表示。该框架适用于处理具有噪声的网络数据，通过在表示学习中引入对抗学习，提高了表示的稳定性和质量。

摘要由CSDN通过智能技术生成

Adversarial Network Embedding

摘要

现有的方法可以有效地将结构属性编码成低维向量表示，但是，他们大多缺少加强表示鲁棒性的额外约束。本篇文章提出一个对抗网络表示（ANE）框架，利用对抗学习原则来规划表示学习。框架由两部分组成，一个结构保留部分和一个对抗学习部分，前者旨获取网络结构属性，后者致力于学习鲁棒性表示，使结构保留部分生成的网络表示服从先验分布。

介绍

网络表示是一个具有挑战性的研究难题。因为图结构数据的高维、稀疏和非线性的原因。尽管现有的方法在结构保留方面很有效，但是缺乏鲁棒性约束，当处理具有噪声的网络数据时，这些无监督学习网络表示往往表现不好。因此，在表示学习过程中考虑一些不稳定因素是至关重要的。无监督中加强表示学习鲁棒性的一个著名的技术是降噪自编码器。它通过从输入中剔除噪音来获得稳定且鲁棒的表示，这也是降噪的标准。近期，许多生成对抗模型被提出学习鲁棒且稳定的表示，但是，这些模型中没有一个用来处理图数据。本文提出的ANE，除了优化保留结构的目标，还有给不稳定数据建模的对抗学习过程。ANE的结构保留部分，我们提出一个适合于框架的inductive DeepWalk，它保留了随机游走搜索节点的邻接信息，并且优化相似目标函数，但是用一个参数函数生成表示向量。对抗学习部分由生成器和辨别器组成。