题目： Adaptive Graph Encoder for Attributed Graph Embedding

简介： 从图拓扑和节点特征中学习向量表示的属性图嵌入是图分析的一项艰巨任务。近年来，基于图卷积网络（GCN）的方法在此任务上取得了很大的进步。但是，现有的基于GCN的方法具有三个主要缺点。首先，我们的实验表明图卷积滤波器和权重矩阵的纠缠将损害性能和鲁棒性。其次，我们证明了这些方法中的图卷积滤波器是广义拉普拉斯平滑滤波器的特例，但它们并未保留最佳的低通特性。最后，现有算法的训练目标通常是恢复与现实应用并不总是一致的邻接矩阵或特征矩阵，为了解决这些问题，我们提出了一种新型的属性图嵌入框架Adaptive Graph Encoder（AGE）。 AGE由两个模块组成：（1）为了更好地减轻节点特征中的高频噪声，AGE首先应用了精心设计的拉普拉斯平滑滤波器。 （2）AGE采用了自适应编码器，该编码器迭代地增强了滤波后的特征，以实现更好的节点嵌入。我们使用四个公共基准数据集进行实验，以验证AGE在节点群集和链接预测任务上的作用。实验结果表明，AGE在这些任务上始终优于最新的图形嵌入方法。