AGSEI：基于长尾分布式隐式图的自适应图结构估计方法

《IEEE Transactions on Emerging Topics in Computing》：AGSEI: Adaptive Graph Structure Estimation With Long-Tail Distributed Implicit Graphs

针对图神经网络中KNN图单点分布导致图结构估计偏差的问题，本文提出AGSEI方法，通过构建长尾隐图、联合优化显式结构估计与隐图参数，并引入Hilbert-Schmidt独立性准则抑制无关信息传播，提升复杂系统图结构推断的准确性。

　　

摘要：

得益于其显著的优势，图神经网络（GNN）成为嵌入图结构数据并在各个领域寻找应用的强大工具。在大多数GNN中，一个普遍的假设是底层图结构的可靠性。这一通常隐含的假设可能会无意中通过虚假链接等结构传播误导性信息。为应对这一挑战，已经开发了许多图结构学习（GSL）方法。在这些方法中，一种流行的方法是构建一个简单直观的K最近邻（KNN）图作为样本来推断真实的图结构。然而，遵循单点分布的KNN图很容易误导对真实图结构的估计。主要原因在于，从统计学角度来看，作为样本的KNN图遵循单点分布，而真实的图结构作为一个整体则主要遵循长尾分布。理论上，样本和总体应该具有相同的分布；否则，准确推断真实图结构将变得具有挑战性。为了解决这个问题，本文提出了一种基于长尾分布隐式图的自适应图结构估计方法，称为AGSEI。AGSEI包括三个主要组成部分：长尾隐式图构建、显式图结构估计和联合优化。第一个组成部分依赖于多层图卷积网络来学习低阶到高阶的节点表示，计算节点相似性，并构建多个相应的长尾隐式图。由于原始的不完美图结构可能会误导GNN传播错误信息，因此降低了长尾隐式图的可靠性。AGSEI通过引入希尔伯特-施密特独立性准则来限制无关信息的聚合，即最大化依赖性...

显示更多

引言

图结构数据为整合众多节点和捕捉复杂交互提供了灵活的框架，在各个领域都有广泛的应用[1]、[2]。从微观层面的分子结构到宏观层面的物联网架构，这些结构能够有效地模拟复杂系统。图结构数据的形成涉及将基本实体及其交互映射为具体的节点和拓扑结构。图结构数据本质上涵盖了多样的领域和应用。例如，它可以用于建模药物-药物交互网络，以深入研究药物相互作用的机制[3]。它还在构建交通网络以进行准确的交通流量预测等方面发挥着重要作用[4]。然而，从这些复杂的图结构中提取全面的信息以支持高性能要求的下游任务却是一个相当大的挑战。