Interpretable Node Representation with Attribute Decoding
Interpretable Node Representation with Attribute Decoding
复制标题
DOI：
10.48550/arxiv.2212.01682
复制
发表时间：
2022-12
期刊：
影响因子：
--
通讯作者：
Xiaohui Chen;Xi Chen;Liping Liu
中科院分区：
文献类型：
--
作者：
Xiaohui Chen;Xi Chen;Liping Liu
变分图自动编码器（VGAE）是用于从图数据中无监督学习节点表示的强大模型。在这项工作中，我们系统地分析了建模节点属性VGAE和属性解码是重要的节点表示学习。我们进一步提出了一个新的学习模型，可解释的节点表示与属性解码（NORAD）。该模型以一种可解释的方法对节点表示进行编码：节点表示捕获图中的社区结构以及社区与节点属性之间的关系。我们进一步提出了一个修正程序，以改善孤立的笔记节点表示，提高这些节点的表示质量。我们的实证结果表明，该模型的优势时，学习图形数据在一个可解释的方法。
Variational Graph Autoencoders (VGAEs) are powerful models for unsupervised learning of node representations from graph data. In this work, we systematically analyze modeling node attributes in VGAEs and show that attribute decoding is important for node representation learning. We further propose a new learning model, interpretable NOde Representation with Attribute Decoding (NORAD). The model encodes node representations in an interpretable approach: node representations capture community structures in the graph and the relationship between communities and node attributes. We further propose a rectifying procedure to refine node representations of isolated notes, improving the quality of these nodes' representations. Our empirical results demonstrate the advantage of the proposed model when learning graph data in an interpretable approach.