【NTU博士论文】改进图结构数据上的表示学习用于分类、生成和推荐

本论文探讨了图表示学习中的创新方法及其在深度学习模型中的应用，在多个关键领域做出了重要贡献。我们首先介绍了 Graph Meta-Contrast (GMeCo) 框架，这是一种用于图上对比表示学习的全新元学习框架。GMeCo 能够有效生成增强图，并最大化增强图与输入图之间的互信息，在鲁棒性和判别性特征学习上优于当前方法。 接下来，我们提出了 多分辨率基于 Meta-Framelet 的图卷积网络 (MM-FGCN) 模型。该模型在自适应多分辨率图分析方面取得了进展，克服了固定变换的限制，并能够动态处理不同尺度的图数据。MM-FGCN 能够捕捉图的微观和宏观结构，展现了其在各种图学习任务中的优越性。 此外，我们引入了 图谱扩散模型 (GSDM)，这是一种用于图结构数据生成的全新方法。GSDM 在图谱空间中使用低秩扩散随机微分方程，增强了图拓扑结构的生成，并降低了计算负荷。与现有模型相比，该方法在图生成的效率和质量方面表现出显著改进。 最后，我们开发了一个基于多视角方法的序列推荐系统新框架，结合了图神经网络 (GNNs) 和 Transformer。该多视角结构利用用户-项目交互和协作信息，提供了鲁棒且准确的用户偏好预测。该模型相较于传统模型展现了其有效性。 总体而言，本论文在图表示学习方面提出了有效的方法和模型，为该领域的进步做出了贡献，并为未来图基深度学习应用的研究奠定了基础。