Blair

论文信息

论文标题：MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs
论文作者：Qiaoyu Tan, Ninghao Liu, Xiao Huang, Rui Chen, Soo-Hyun Choi, Xia Hu
论文来源：2022, ArXiv
论文地址：download 
论文代码：download

1 Introduction

 　　MAE 在图上的应用。

2 Method

　　整体框架：

　　

2.1 Encoder

　　本文的掩藏目标是随机掩藏一部分（30%）边，然后考虑 GCN、GraphSage 作为主干网络提取特征信息，对于被掩藏的边将通过 Decoder 训练得到。

　　掩藏策略：

• • Undirected masking：将图看成无向图，删除 $(u,v)$ 之间的边，对应于 $A$ 中的两条边；
  • Directed masking：将图看成有向图，删除 $(u,v)$ 之间的边，对应于 $A$ 中的一条有向边；

　　注意：上述两种策略边掩藏率是设置一样的。

2.2 Cross-correlation decoder

　　由于Encoder 采用的是基于消息传递机制的 Encoder，所以最终只得到被保留部分的节点潜在嵌入。

　　Encoder $K$ 层传播结构共生成的保留节点嵌入矩阵 $\left\{\mathbf{H}^{(1)}, \mathbf{H}^{(2)}, \cdots, \mathbf{H}^{(K)}\right\}$，对于存在的保留节点进行 cross-correlations 操作，即

　　　　$\mathbf{h}_{e_{v, u}}=\|_{k, j=1}^{K} \mathbf{h}_{v}^{(k)} \odot \mathbf{h}_{u}^{(j)}$

　　其中：

• • $\|$ 表示连接；
  • $\odot$ 表示元素乘法；
  • $\mathbf{h}_{e_{v, u}} \in \mathbb{R}^{d K^{2}}$ 表示节点 $v$ 和节点 $u$ 之间的交叉表示，分别考虑它们的 $k$ 阶邻域和 $j$ 阶邻域；

　　为避免过于复杂，通常 $K=2$。

　　假设剩余的节点有 $m$ 个，那么输入到对应的 MLP Decoder  的将有 $m(m-1)$ （无向图）个特征向量，最终预测 $(u,v)$ 直接边存在的概率通过下式生成：

　　　　$y_{v, u}=\operatorname{MLP}\left(\mathbf{h}_{v}^{(K)}, \mathbf{h}_{u}^{(K)}\right)$

2.3 Reconstruction target

　　MGAE解码器，只重建掩码的边，目标函数如下：

　　　　$\mathcal{L}=-\sum\limits _{(v, u) \in \mathcal{E}_{\text {mask }}} \log \frac{\exp \left(\mathbf{y}_{v u}\right)}{\sum_{z \in \mathcal{V}} \exp \left(\mathbf{y}_{v z}\right)}$

　　为加速训练，本文采用负采样策略。

2.4 Algorithm

 　　整体算法如下：

　　

3 Experiments

数据集

　　

Link prediction

　　

Node classifification

　　

 

4 Conclusion

　　图上边掩码AE。

 

修改历史

2022-06-17 创建文章

论文解读目录