保持传递性的图表示学习,以桥接局部连接性和基于角色的相似性
原文中文,约300字,阅读约需1分钟。发表于: 。本文介绍了统一图转换网络(UGT)方法,它能够有效地将局部和全局的结构信息整合为固定长度的向量表示,并提出了一种有效学习转移概率的自监督学习任务,以融合局部和全局的结构特征,该方法在各种下游任务上显著优于最先进的模型基准。
本文提出了一种统一的GNN稀疏化框架,通过剪枝图邻接矩阵和模型权重来加速大规模图上的GNN推理。同时将lottery ticket假设推广到GNN,并定义了图lottery ticket作为核心子数据集和稀疏子网络对的一对。实验证明,在不影响预测性能的前提下,GLT能够在各种GNN架构和不同任务的数据集上实现MACS节约。