针对图数据的拓扑感知强化特征空间重构

《ACM Transactions on Knowledge Discovery from Data》：Topology-aware Reinforcement Feature Space Reconstruction for Graph Data

针对图数据特征空间重建中忽视拓扑结构的痛点，本文提出基于拓扑感知强化学习的自动化解决方案，通过核心子图提取和GNN编码有效整合结构信息，结合分层强化学习策略迭代优化特征表达，显著提升下游任务（节点分类、链接预测、图分类）的模型泛化能力和效率。

　　

摘要

特征空间是一种将数据点向量化以表示原始数据集的环境。重建一个良好的特征空间对于增强数据的AI能力、提高模型泛化能力以及增加下游机器学习模型的可用性至关重要。现有的文献（如特征转换和特征选择）通常需要大量的人工投入（例如，严重依赖经验），并且主要针对表格数据设计。此外，这些方法将数据样本视为独立的，忽略了在应用于图数据时的独特拓扑结构，从而导致重建的特征空间不够理想。我们能否在不依赖大量经验知识的情况下，考虑利用拓扑信息来自动重建图数据的特征空间呢？为了填补这一空白，我们利用基于拓扑的强化学习来自动化并优化图数据的特征空间重建过程。我们的方法结合了提取核心子图以捕获关键结构信息，以及使用图神经网络（GNN）来编码拓扑特征，从而降低计算复杂度。接着，我们在一个分层结构中引入了三个强化代理，通过迭代过程系统地生成有意义的特征，有效地重建了特征空间。该框架为属性图的特征空间重建提供了一个原理性的解决方案。广泛的实验表明，在三个广泛使用的下游任务（节点分类、链接预测和图分类）中，纳入拓扑信息能够显著提高效率和效果。我们的代码和数据可在https://tinyurl.com/graphFT123获取。