.png){kind=icon}
返回
Blossom: Boosting sparse attribute learning with optimized vector quantization for graph representation learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06955-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于属性表示学习已被证明在利用节点属性和图拓扑信息解码图结构数据中固有复杂关系方面具有关键作用。然而，其有效性通常取决于数据质量，而数据质量常因稀疏性或缺失信息而受损。两大关键挑战持续存在：（1）属性稀疏性阻碍模型有效捕捉全局和局部模式，限制了泛化能力；（2）现有方法难以联合整合属性和结构信息，降低了预测精度。为解决这些局限性，我们提出了带有优化向量量化的增强稀疏属性学习模型（Blossom）。Blossom采用高阶属性增强（HAE）模块，利用交叉注意力捕捉丰富的高阶属性交互，提升其与结构信息的对齐度。此外，优化向量量化（OVQ）模块将属性嵌入编码为离散编码，增强了计算效率和表示鲁棒性。最后，我们引入图重构的辅助变量，为潜在空间注入高阶和全局结构信息。在七个基准数据集上的广泛实验表明，Blossom在下游分类任务中始终优于现有方法。这些结果突显了Blossom在处理属性稀疏性方面的强大能力及其在鲁棒属性表示学习中的有效性。
Keyword:
Graph neural network
Sparse attribute learning
Vector quantization
期刊
IF:
3.5
论文数:
7.7K
被引数:
2.0W
机构
引用论文
分享收藏Structure enhanced prototypical alignment for unsupervised cross-domain node classification.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏分享收藏struc2vecProceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容