.png){kind=icon}
返回
A simple yet effective feature completion model for relation-level learning in missing data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103528.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过网络嵌入的关系级学习在网络分析中发挥着关键作用。然而，当前的嵌入模型通常假设在训练和测试过程中所有关联的节点特征都可用，这一强假设在实践中并不总能满足。节点在与邻居交互时具有不同的关系层级，这要求在有效的关系级学习中融入节点关联特征。但许多现有模型在处理包含缺失数据（无论是边还是特征）的节点时存在困难，因为它们往往忽视这些节点或为其静态分配值。因此，依赖不完整数据的嵌入模型通常会得到次优结果。为应对这一挑战，我们提出了用于关系级学习的基于注意力聚合的特征补全（FCAA）模型。FCAA通过利用基于注意力的聚合机制来学习节点关系，明确地对边和特征进行建模。具体而言，我们采用归纳学习方法来捕捉节点对之间的特征交互，从而增强对缺失数据的处理能力。实验结果表明FCAA的有效性，其在链路预测和顶点分类任务中显著优于当前最先进的方法。
Keyword:
network embedding
relation-level learning
missing data
attention-based aggregation
feature completion
期刊
IF:
15.5
论文数:
4.3K
被引数:
2.7W
机构
引用论文
分享收藏
分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏DeepWalk深度行走Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining
OAAI
Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏Fusing heterogeneous information for multi-modal attributed network embedding融合异构信息的多模态属性网络嵌入APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容