基于互信息最大化的图表示学习结题报告.docVIP

基于互信息最大化的图表示学习结题报告

一、研究背景与问题提出

在大数据与人工智能技术快速发展的当下，图结构数据广泛存在于社交网络、生物信息学、推荐系统等多个领域。图数据以节点和边的形式存储信息，能够精准刻画实体间的复杂关系，例如社交网络中的用户与好友关系、生物网络中的蛋白质相互作用关系等。然而，图数据的非欧几里得特性使得传统的机器学习方法难以直接对其进行有效处理，如何将图数据转化为低维稠密的向量表示（即图嵌入），并在向量空间中保留图的结构与属性信息，成为图表示学习领域的核心问题。

早期的图表示学习方法，如基于矩阵分解的方法和随机游走的方法，虽然在一定程度上实现了图的嵌入表示，但存在诸多局限性。基于矩阵分解的方法计算复杂度高，难以处理大规模图数据；随机游走的方法则严重依赖于游走策略的设计，且对图的结构信息利用不够充分。近年来，随着深度学习技术的兴起，图神经网络（GNN）凭借其强大的特征提取能力，成为图表示学习的主流方法。然而，大多数GNN模型在训练过程中过度依赖节点标签信息，在标签数据稀缺的场景下性能会显著下降，且容易出现过拟合现象。

互信息最大化作为一种无监督学习准则，能够通过最大化不同视图间的互信息来学习数据的内在表示，无需依赖标签信息。将互信息最大化引入图表示学习领域，不仅能够解决标签数据稀缺的问题，还能充分挖掘图的结构与属性信息，学习到更具鲁棒性和泛化能力的图嵌入表示。因此，