基于高斯分布和Householder flow的无监督图嵌入算法

摘要

为更好地表示节点，提出一种新的图嵌入方法，将节点表示为由均值和方差构成的高斯分布，通过应用一系列可逆Householder变换，将相对简单的分布转换为更灵活的分布，可以更好地捕获关于其表示的不确定性。为提高稳定性，采用Wasserstein距离进行分布之间的度量。试验结果表明，在多个基准数据集上，使用Householder变换的Graph2Gauss（G2G）算法比原始模型的链接预测表现更好。通过节点分类的效果可以看出，对于节点信息缺失的图，使用Wasserstein距离可以大幅增加节点分类的F₁分数。

关键词

无监督学习 / 图嵌入 / 高斯分布 / Householder flow / Wasserstein距离