論文資訊

論文標題：Graph Representation Learning via Contrasting Cluster Assignments
論文作者：Chun-Yang Zhang, Hong-Yu Yao, C. L. Philip Chen, Fellow, IEEE and Yue-Na Lin
論文來源：2022, TKDE
論文地址：download
論文程式碼：download

1 介紹

 　　我們提出了一種新的無監督圖表示學習模型，通過對比聚類分配，稱為GRCCA。為了避免極度關注區域性或全域性檢視，GRCCA將聚類演算法和對比學習與相反的增廣策略相結合，以獲得兩個檢視的平衡。它利用聚類來獲取更細粒度的全域性資訊（cluster-level ），並在節點級對嵌入進行對齊，以保持區域性資訊的質量，從而優雅地融合區域性資訊和全域性資訊。相反的增強策略進一步增強了全域性和區域性檢視的對比度，使模型從圖中挖掘出更不變的特徵。同時，聚類使模型能夠深入瞭解節點之間的潛在關聯，而不僅僅是拓撲鄰近性。為了證明其有效性，我們在三種不同的下游任務中與最先進的模型進行了比較，包括節點分類、連結預測和社群檢測。實驗結果表明，GRCCA在大多數任務中都具有較強的競爭力。

2 方法

　　在本節中，我們將分兩部分詳細闡述所提出的 GRCCA。第一部分介紹了GRCCA的總體框架，包括圖的增強策略和模型配置。第二種方法詳細描述了該學習演算法。

2.1 定義

　　對於圖 $G$，它可以用一個元組 $(V，E)$ 表示，記為 $G=(V，E)$，其中 $V$ 是節點的集合，$E \subseteq V \times V$ 表示邊的集合。一般，圖的拓撲資訊由鄰接矩陣 $A \in\{0,1\}^{N \times N}$，其中 $N$ 是節點的數量和 $A_{i j}=1$ 表示 $ \left(v_{i}, v_{j}\right) \in \mathcal{E}$ 。對於現實網路，他們通常有屬性資訊，可以由屬性矩陣 $X \in \mathbb{R}^{N \times F}$，其中 $F$ 是屬性的維度和 $x_{i} \in \mathbb{R}^{F}$ 表示節點 $v_i$ 的屬性向量。

　　在本文中，我們關注無監督圖表示學習，目的是學習一個圖編碼 $f_{\theta}: \mathbb{R}^{N \times F} \times \mathbb{R}^{N \times N} \rightarrow \mathbb{R}^{N \times F^{\prime}}$ 不使用標籤訊號。其關鍵是將圖 $A, X$ 的拓撲和屬性資訊對映到有效節點嵌入 $H=f_{\theta}(X, A) \in \mathbb{R}^{N \times F^{\prime}}$，其中 $F^{\prime} \ll F$。學習到的嵌入可以用於下游任務，如節點分類、連結預測等。

2.2 Overall Framework

　　本文的資料增強策略：【資料增強策略的要求：既可以生成多個檢視，又不會產生噪聲】

• • Graph Diffusion (GD)　　
  • Removing Edges (RE)　　

　　本文分別使用 Graph Diffusion (GD) 和 Removing Edges (RE) 來關注全域性檢視和區域性檢視。這兩種方法都是基於圖的拓撲結構，並沒有引入新的噪聲。

　　框架如下：

2.2.1 Graph Diffusion (GD)

　　Graph diffusion 研究了超過 $\text{1-hop}$ 的資訊傳遞，從而可以獲得節點的長期依賴。他不僅提供了一個帶 global 資訊的資料增強檢視，還緩解了途中先天的噪聲問題。

　　圖擴散過程定義為：

　　　　$S=\sum\limits _{k=0}^{\infty} \theta_{k} T^{k}\quad\quad\quad(1)$

　　其中：

• • $T$ 代表廣泛的轉移矩陣，$\mathbf{T}=\mathbf{D}^{-1 / 2} \mathbf{A} \mathbf{D}^{-1 / 2}$ ；
  • ${\theta }_{k}$ 代表了權重引數，${\theta }_{k}=\alpha(1-\alpha)^{k}$；

　　取 $\text{k=1}$ 時有：

　　　　$S=\alpha\left(I-(1-\alpha) D^{-1 / 2} A D^{-1 / 2}\right)   \quad\quad\quad\quad(2)$

　　其中：

• • $\alpha \in(0,1)$ 是隨機遊走的傳送概率　　

2.2.2 Removing Edges (RE)

　　具體地說，給定一個相鄰矩陣 $A$ 和邊刪除概率 $P_{r e}$，我們隨機去除現有的邊，可以定義為

　　　　$\widetilde{A}_{i j}=\left\{\begin{array}{ll} 1, & b_{i j}<P_{r e} \text { and } A_{i, j}=1 \\ 0, & \text { otherwise } \end{array}\right.\quad\quad\quad(3)$

　　其中，$ \widetilde{A} $ 是區域性水平的增強，$b$ 表示從均勻分佈$ U(0,1)$中抽樣的隨機數。

2.2.3 Masking Nodes Features (MNF)

　　目的是通過隨機掩蔽來獲得圖屬性的不同視角。特別地，給定一個包含屬性 $X$ 和掩蔽率 $P_{m n f}$ 的矩陣，我們隨機選擇屬性的維數來掩蔽，而不是單獨掩蔽每個節點，可以表示為：

　　　　$\tilde{X}_{i}=X_{i} \odot M\quad\quad\quad\quad(4)$

　　其中$ \tilde{X}$ 是屬性增強矩陣，$ M \in\{0,1\}^{F}$是一個 $P_{m n f}$ 百分比為零的隨機向量。

　　與[8]中的策略相比，該策略不會導致過度的差異，因此不會破壞多個視角之間的關係，也不會將新的噪聲帶來對比學習。圖的拓撲結構和屬性策略不僅提供了多種多檢視知識，而且進一步增強了全域性檢視和區域性檢視之間的對比。

　　資料增強後，將生成的兩個增廣圖輸入共享圖編碼器 $f_{\theta}$ 和非線性投影儀 $g_{\theta}$，如 Fig. 1 所示。圖表示學習的關鍵是同時保留拓撲結構和屬性的資訊。理論上，任何考慮到這兩個方面的模型都可以用作編碼器$f_{\theta}$。現有的圖編碼器大多是基於鄰域聚合的。通過多層鄰域資訊聚合，它們可以捕獲長期圖資訊，由

　　　　$\mathbf{h}_{v}^{k}=\sigma\left(\mathcal{E} \cdot \mathbf{h}_{v}^{k-1}+\mathbf{W} \cdot \sum\limits _{u \in N(v)} h_{u}^{k-1} /|N(v)|\right)\quad\quad\quad(5)$

　　其中 $\mathcal{E}$ 和 $\mathbf{W}$ 為可學習引數，$\sigma$ 為啟用函式，$N(v)$ 表示目標節點 $v$ 的鄰域節點。本文以GCN為例項，獲得節點嵌入$H=f_{\theta}(X, A) $，它可以被定義為

　　　　$H=\sigma\left(\hat{D}^{-1 / 2} \hat{A} \hat{D}^{-1 / 2} X \Theta\right)\quad\quad\quad(6)$

　　為了增強對比學習的表達能力，我們進一步利用一個非線性投影儀，即MLP，將節點嵌入轉移到一個度量空間中，即 $Z=g_{\theta}(H) \in \mathbb{R}^{N \times F^{\prime}}$。

2.3 Learning Algorithm

　　與以往的圖對比學習模型和基於聚類的圖表示學習模型不同，GRCCA將對比學習和聚類演算法結合在一起，從兩個增強的角度最大化相同節點之間的 cluster-level 的一致性。對比聚類分配不僅促進了對比學習和聚類演算法之間的合作，而且還提供了一種理想的方法來協調區域性和全域性檢視。

　　一旦獲得兩個檢視的表示 $Z_{v}$ 和 $Z_{u}$，然後將其應用於 k-means ，分別得到 $C_{v} \in \mathbb{R}^{K \times F^{\prime}}$ 和 $C_{u} \in \mathbb{R}^{K \times F^{\prime}} $（$k$ 代表這 cluster 數目，$F^{\prime}$ 代表屬性的維度）。根據節點屬於哪個cluster，我們可以得到兩個聚類分配矩陣 $Q_{v}$ 和 $Q_{u}$，$q_{v_{i}}=\mathbb{I}_{z_{v_{i}} \in C_{v}^{K}} $ 或 $q_{u_{i}}=\mathbb{I}_{z_{u_{i}} \in C_{u}^{K}}$ 表示節點的 one-hot 聚類類別。為了在兩個角度之間實現 cluster-level 對比學習，提出的 GRCCA 通過最小化交叉熵損失，從不同角度強制相同的節點來識別彼此的聚類分配。例如，給定任意一對相同的節點 $v_i$ 和 $u_i$，節點 $v_i$ 和節點 $u_i$ 的叢集分配 $Q_{u_{i}}$ 之間的一致性可以定義為：

　　　　$p_{v_{i}}=\operatorname{softmax}\left(z_{v_{i}} C_{u}^{\mathrm{T}} / \tau\right)\quad\quad\quad(7)$

　　與以往的圖對比學習模型和基於聚類的圖表示學習模型不同，GRCCA將對比學習和聚類演算法結合在一起，從兩個增強的角度最大化相同節點之間的 cluster-level 的一致性。對比聚類分配不僅促進了對比學習和聚類演算法之間的合作，而且還提供了一種理想的方法來協調區域性和全域性檢視。

　　一旦獲得兩個檢視的表示 $Z_{v}$ 和 $Z_{u}$，然後將其應用於 k-means ，分別得到 $C_{v} \in \mathbb{R}^{K \times F^{\prime}}$ 和 $C_{u} \in \mathbb{R}^{K \times F^{\prime}} $（$k$ 代表這 cluster 數目，$F^{\prime}$ 代表屬性的維度）。根據節點屬於哪個cluster，我們可以得到兩個聚類分配矩陣 $Q_{v}$ 和 $Q_{u}$，$q_{v_{i}}=\mathbb{I}_{z_{v_{i}} \in C_{v}^{K}} $ 或 $q_{u_{i}}=\mathbb{I}_{z_{u_{i}} \in C_{u}^{K}}$ 表示節點的 one-hot 聚類類別。為了在兩個角度之間實現 cluster-level 對比學習，提出的 GRCCA 通過最小化交叉熵損失，從不同角度強制相同的節點來識別彼此的聚類分配。例如，給定任意一對相同的節點 $v_i$ 和 $u_i$，節點 $v_i$ 和節點 $u_i$ 的叢集分配 $Q_{u_{i}}$ 之間的一致性可以定義為：

　　　　$p_{v_{i}}=\operatorname{softmax}\left(z_{v_{i}} C_{u}^{\mathrm{T}} / \tau\right)\quad\quad\quad(7)$

　　通過最小化交叉熵損失，保證了節點之間的一致性：

　　　　$\ell\left(q_{u_{i}}, p_{v_{i}}\right)=-q_{u_{i}} \log p_{v_{i}}\quad\quad\quad(8)$

　　因此，對比聚類損失可以定義為：

　　　　$\mathcal{L}_{c}=\frac{1}{N} \sum\limits _{i=0}^{N}\left[\ell\left(q_{v_{i}}, p_{u_{i}}\right)+\ell\left(q_{u_{i}}, p_{v_{i}}\right)\right]\quad\quad\quad(9)$

　　其中，$N$ 為節點數。值得注意的是，對比聚類分配可以被視為一種特殊的對比學習方式，它可以比較多個圖視角之間的聚類分配，而不是節點嵌入。它隱式地驅動節點嵌入來接近它們相應的原型，並與其他原型區分開來。直觀地說，它等價於最大化節點嵌入和相應的原型之間的互資訊。

　　受 multi-head attention mechanism 的啟發，GRCCA採用了 multi-clustering strategy 來增加聚類級資訊的多樣性。具體來說，我們對每個視角同步執行多個聚類，生成多個成對對比材料 $\left\{\left(C_{v}^{1}, C_{u}^{1}, Q_{v}^{1}, Q_{u}^{1}\right), \ldots,\left(C_{v}^{h}, C_{u}^{h}, Q_{v}^{h}, Q_{u}^{h}\right)\right\}$，並利用對比聚類分配來確保其聚類水平的一致性。因此，總損失可以由

　　　　$\mathcal{L}_{m c}=\frac{1}{h} \sum_{i=0}^{h} \mathcal{L}_{c}^{i}\quad\quad\quad(10)$

　　其中，$h$ 為對比性材料集的個數。

　　該學習演算法總結在 Algorithm 1中。首先，我們應用兩個圖增廣函式 $t_{1} \sim T$ 和 $t_{2} \sim T$ 生成兩個增廣圖 $\widetilde{G}_{1}$ 和 $\widetilde{G}_{2}$，其中 $t_{1}$ 由 GD 和 MNF 組成，$t_{2}$ 包括 RE 和 MNF。其次，我們使用圖編碼器 $f_{\theta}$ 和非線性投影儀 $g_{\theta}$ 分別生成兩個檢視的節點表示。第三，利用具有多聚類策略 $K_{m}$ 的 k-means 生成聚類分配 $Q_{v}$、$Q_{u}$ 和原型 $C_{v}$、$C_{u}$。第四，我們最小化了 Eq. (10) 中的對比損失，可以從不同的角度來加強相同節點之間的 cluster-level  一致性。否則，我們將嘗試兩種不同的叢集分配方案：非同步版本和同步版本。非同步版本使用來自前一個 epoch 的表示矩陣來生成叢集分配，而同步版本則使用當前的表示矩陣。值得注意的是，非同步版本需要初始化一個memory bank $B$，並使用每一輪表示來更新它。最後，將從圖編碼器 $f_{\theta}$ 中學習到的節點嵌入用於下游任務。

　　Algorithm 1 如下：

3 Experiments

3.1 Datasets

• • Cora，Citeseer 和 Pubmed 都是 citation networks
  • Amazon-Photo 和 Amazon-Computers 是兩個co-purchase graphs 
  • Coauthor-CS 是一個 co-authorship graph

3.2 Node Classification

　　我們選擇了6個最先進的無監督模型，包括DGI，GMI，MVGRL，GIC，GCA和MERIT，以及3個經典的GNN模型：ChebyshevGCN，GCN，和 GAT 作為基線。

　　對於三個引文網路，我們對每個類隨機抽取20個節點來形成訓練集，1000個節點作為測試集。而對於其他三個資料集，我們對每個類分別隨機選擇30個節點進行訓練和驗證，其餘的節點用於測試。

　　超引數設定：

　　結果：

3.3 Link Prediction

3.4 Community Detection

3.5 Ablation Study

3.6 Complexity Analysis

　　可學習引數的數量