Towards Unsupervised Deep Graph Structure Learning
近年来,图神经网络(gnn)已经成为各种图相关应用的成功工具。然而,当原始图结构中出现噪声连接时,GNNs的性能会下降;此外,对显式结构的依赖阻碍了gnn应用于一般的非结构化场景。为了解决这些问题,最近出现的深度图结构学习(GSL)方法提出在节点分类任务的监督下与GNN联合优化图结构。然而,这些方法专注于监督学习场景,导致了几个问题,即对标签的依赖、边分布的偏差和应用任务的限制。
本文提出一种更实用的GSL范式,即无监督图结构学习,学习到的图拓扑由数据本身优化,没有任何外部指导(即标签)。为了解决无监督GSL问题,本文提出了一种基于自监督对比学习的结构Bootstrapping对比学习框架(SUBLIME)。从原始数据中生成一个学习目标作为"锚图",并使用对比损失来最大化锚图和学习图之间的一致性。为了提供持续的指导,设计了一种新的自助机制,在模型学习期间用学习到的结构来升级锚图。设计了一系列图学习器和后处理方案来对要学习的结构进行建模。在8个基准数据集上的广泛实验证明了所提出的优化图的显著有效性和高质量。
总结:本文是无监督图结构学习。利用数据学习图的结构,然后采用对比学习来对最大已经学习到的图结构和目标结构之间的一致性。