[论文解读] Graph Learning Network: A Structure Learning Algorithm

Darwin Danilo Saire Pilco, Adıń Ramıŕez Rivera|arXiv (Cornell University)|May 29, 2019

Advanced Graph Neural Networks参考文献 25被引用 14

一句话总结

图学习网络（GLN）提出了一种循环的、端到端的框架，通过迭代优化联合学习节点嵌入并预测图结构。通过在图卷积特征学习与邻接矩阵预测之间交替进行，GLN在合成图生成任务中实现了最先进性能，尤其在以度数、聚类系数和轨道统计量的MMD为度量标准时，能高保真地建模复杂且可变的图结构。

ABSTRACT

Recently, graph neural networks (GNNs) have proved to be suitable in tasks on unstructured data. Particularly in tasks as community detection, node classification, and link prediction. However, most GNN models still operate with static relationships. We propose the Graph Learning Network (GLN), a simple yet effective process to learn node embeddings and structure prediction functions. Our model uses graph convolutions to propose expected node features, and predict the best structure based on them. We repeat these steps recursively to enhance the prediction and the embeddings.

研究动机与目标

• 为解决现有GNN中静态图结构的局限性，实现动态的、结构自学习的图表示。
• 开发一种统一框架，通过循环架构联合优化节点特征嵌入与邻接矩阵预测。
• 评估模型在具有受控合成模式的可变图结构上的鲁棒性与泛化能力。
• 提出一种基于三维表面函数的新型合成数据集，用于在可控几何模式下基准化图结构学习。
• 展示端到端训练中多损失组件对结构预测与特征表示的有效性。

提出的方法

• 使用多核滤波器的图卷积，从初始特征与邻接关系中学习增强的节点表示。
• 应用可学习变换（Bai et al., 2019），融合局部与全局节点嵌入，以提升结构上下文感知能力。
• 基于融合后的局部与全局嵌入，通过节点特征对之间的配对交互预测下一时刻的邻接矩阵。
• 采用循环模块，在多个迭代中交替进行特征优化与结构预测。
• 集成多种损失函数——节点重构损失、结构预测损失与正则化损失——以稳定训练并提升泛化能力。
• 使用最大均值差异（MMD）作为主要评估指标，衡量预测图与真实图在度数、聚类系数与轨道统计量上的差异。

实验结果

研究问题

• RQ1 循环GNN架构能否在无需邻接矩阵先验知识的情况下，仅从原始节点特征中有效学习并优化图结构？
• RQ2 与独立学习方法相比，联合优化节点嵌入与邻接预测是否能显著提升结构生成质量？
• RQ3 在合成图族中，为平衡模型性能与计算效率，最优的循环迭代次数是多少？
• RQ4 当输入邻接矩阵为稀疏或含噪声时，模型对初始图结构变化的鲁棒性如何？
• RQ5 模型在复杂且非均匀的图模式（如三维表面函数或社区结构图）上的泛化能力如何？

主要发现

• GLN在所有三个合成数据集（几何图形、三维表面、社区结构）上均取得最低的MMD分数，证明其结构生成具有更高的保真度。
• 在三维表面数据集上，经过五轮循环迭代后，GLN在性能与效率之间达到最佳平衡，表现为MMD最小化。
• 消融实验表明，同时优化节点特征与邻接预测损失可实现更快收敛与更稳定的训练过程。
• GLN在初始图密度从10%至100%的范围内均保持一致性能，表明其对输入结构扰动具有高度鲁棒性。
• 在最佳配置下，模型在轨道统计量上的Dice分数达0.987，MMD为0.0053，表明其与真实图具有高度结构相似性。
• 使用单位矩阵作为初始输入结构时，预测结果最稳定且最准确，表明最小诱导偏差有助于提升泛化能力。