【NeurIPS2020】迭代深度图学习的图神经网络:更好和鲁棒的节点嵌入

在本文中，我们提出了一种端到端的图学习框架，即迭代深度图学习(IDGL)，用于共同迭代地学习图结构和图嵌入。IDGL的关键原理是学习基于更好的节点嵌入的更好的图结构，反之亦然(即基于更好的图结构的更好的节点嵌入)。我们的迭代方法动态停止时，学习图接近足够优化的图预测任务。此外，我们将图学习问题转换为一个相似度量学习问题，并利用自适应图正则化来控制学习图的质量。最后，结合基于锚点的近似技术，我们进一步提出了一个可扩展的IDGL版本，即IDGL- anch，在不影响性能的前提下，显著降低了IDGL的时间和空间复杂度。我们在9个基准上进行的广泛实验表明，我们提出的IDGL模型始终能够优于或匹配最先进的基线。此外，IDGL还能更鲁棒地处理对抗图，并能同时处理传导学习和归纳学习。

https://arxiv.org/abs/2006.13009