BriefGPT - AI 论文速递
·
基于特征和结构缺失的无监督图补全学习
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种无监督图补全学习（UGCL）框架，通过自监督学习改善GNN在具有特征和结构缺失的图上的任务性能。该方法通过分离特征重建和结构重建，并设计个性化模型来避免GNN消息传递中的不匹配。实验证明了该方法的有效性。
🎯
关键要点
-
提出了一种无监督图补全学习（UGCL）框架。
-
该框架通过自监督学习改善GNN在特征和结构缺失图上的任务性能。
-
分离特征重建和结构重建，设计个性化模型以避免GNN消息传递中的不匹配。
-
引入双对比损失以最大化节点表示的互信息，提供更多监督信号。
-
重建的节点特征和结构可用于下游节点分类任务。
-
在八个数据集、三种GNN变体和五种缺失率上进行了大量实验，验证了方法的有效性。
➡️
