DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs

在处理图数据时，缺失数据插值是一个重要的挑战。先前的工作通常基于特征传播或图自编码器来解决这个问题。然而，这些方法在处理缺失数据时通常会遇到过度平滑的问题，因为图神经网络（GNN）模块并没有专门设计用于处理缺失数据。本文提出了一个新的框架，称为双路径生成对抗网络（DPGAN），它可以同时处理缺失数据并避免过度平滑的问题。我们的工作的关键是它允许输入图信号的全局和局部表示，可以捕捉长程依赖关系。这是通过我们提出的生成器实现的，包括两个关键组件，即MLPUNet++和GraphUNet++。我们的生成器通过对抗过程与指定的鉴别器一起训练。特别地，为了避免像文献中那样评估整个图，我们的鉴别器关注局部子图的保真度，从而提高局部插值的质量。子图大小是可调节的，允许对对抗性正则化的强度进行控制。在各种基准数据集上进行的全面实验证明，DPGAN始终能够与现有的最先进的插值算法相媲美，甚至更好。代码提供在\url{https://github.com/momoxia/DPGAN}。

本文旨在解决在处理图数据时遇到的缺失数据插补问题，并避免过度平滑的问题。

文章提出了一种名为Dual-Path Generative Adversarial Network（DPGAN）的新框架，可以同时处理缺失数据和避免过度平滑的问题。该框架采用全局和局部表示输入图信号的方法，通过两个关键组件构建生成器，并通过对抗训练的方式与指定的鉴别器进行训练。

本文提出的DPGAN方法在多个基准数据集上进行了全面的实验，并与现有的最先进的插补算法进行了比较。结果表明，DPGAN方法在保持局部精度的同时，可以有效地插补缺失数据，并且比现有算法更具有竞争力。此外，论文还提供了开源代码。

在这个领域的最近相关研究包括：1. Graph Convolutional Matrix Completion (GC-MC)；2. Graph Autoencoder (GAE)；3. Feature Propagation (FP)。