通过信息瓶颈进行链接预测的数据增强
原文中文，约400字，阅读约需1分钟。发表于：。通过数据增强方法 COmplete and REduce (CORE)，修复图中的缺失边同时去除噪音，提高模型的鲁棒性和性能，成为图表示学习中强大的鲁棒链路预测方法。
本文介绍了Drop-Bottleneck方法，用于离散删除与目标变量无关的特征，提供确定性压缩表示，并同时学习特征提取器和特征选择。在迷宫导航任务中，Drop-Bottleneck的探索方法取得了最先进的性能，对抗鲁棒性和降维方面优于Variational Information Bottleneck（VIB）。
