信息图表 swMATH ID: 37754 软件作者: 孙凡云、乔丹·霍夫曼、维卡斯·维玛、唐健 描述: 信息图:通过相互信息最大化的无监督和半监督图级表示学习。本文研究了在无监督和半监督场景中学习整图的表示。图级表示在各种现实世界的应用中至关重要,例如预测分子的性质和社交网络中的社区分析。传统的基于图核的方法虽然简单,但对于获得固定长度的图表示是有效的,但由于手工设计,它们的泛化能力较差。也有一些基于语言模型的最新方法(例如graph2vec),但它们往往只考虑某些子结构(例如子树)作为图形代表。受无监督表示学习最新进展的启发,本文提出了一种新的学习图形级表示的方法InfoGraph。我们最大化了图形级表示和不同尺度(例如节点、边、三角形)子结构表示之间的相互信息。通过这样做,图形级表示对数据的各个方面进行编码,这些方面在不同规模的子结构中共享。此外,我们进一步提出了InfoGraph*,这是InfoGraph在半监督场景中的扩展。InfoGraph*最大化了InfoGraph学习的非监督图表示与现有监督方法学习的表示之间的相互信息。因此,受监督编码器从未标记数据中学习,同时保留当前受监督任务喜欢的潜在语义空间。图分类和分子属性预测任务的实验结果表明,InfoGraph优于最先进的基线,InfoGraph*可以实现与最先进的半监督模型相竞争的性能。 主页: https://arxiv.org/abs/1908.01000 源代码: https://github.com/fanyun-sun/InfoGraph网站 关键词: 机器学习;arXiv_cs。LG公司;人工智能;arXiv_cs。人工智能;arXiv_状态ML 相关软件: PyTorch公司;TU数据集;节点2vec;通用条款;CogDL公司;Sub2vec公司;graph2vec(图形2vec);亚当;SimCLR(模拟清除);DeepWalk公司;GraphSAINT公司;DropEdge(下降边缘);NetGAN公司;旋转E;GraRep公司;Rdkit公司;星形图;XGNN公司;分子网;GNN解释人 引用于: 7文件 全部的 前5名38位作者引用 1 迈克尔·阿齐沙 1 艾尔,特沃德罗斯·阿莱姆 1 邓明华 1 傅聪 1 广明建 1 桂、舒瑞 1 威廉·汉密尔顿。 1 胡伊,布莱恩 1 纪水旺 1 蒋长军 1 朱伟 1 胡安、辛 1 李晶晶 1 李占山 1 刘浩然 1 刘,易 1 吕、柯 1 罗,肖 1 罗友志 1 马泽瑜 1 博拉·奥兹特金(Bora M.Oztekin)。 1 彭美欣 1 王俊丽 1 王丽梅 1 谢耀晨 1 徐慧莹 1 徐玉华 1 徐,赵 1 严忠刚 1 严克强 1 杨晨明 1 杨俊伟 1 于海阳 1 袁浩 1 张景屯 1 张宣 1 周、梁 1 朱新忠 5篇连载文章中引用 三 信息科学 1 神经网络 1 机器学习研究杂志(JMLR) 1 人工智能与机器学习综合讲座 1 计算机科学评论 在3个字段中引用 7 计算机科学(68至XX) 1 运筹学、数学规划(90-XX) 1 博弈论、经济学、金融和其他社会和行为科学(91-XX) 按年份列出的引文