MS-IMAP -- A Multi-Scale Graph Embedding Approach for Interpretable Manifold Learning

在无监督的机器学习应用中，从复杂的高维数据中提取有意义的表示是至关重要的。本文介绍了一种基于谱图小波的多尺度图网络嵌入框架，采用对比学习方法。所提出的嵌入的一个重要特征是其能够建立嵌入空间和输入特征空间之间的对应关系，有助于推导原始特征的重要性。我们在理论上证明了我们的方法，并证明，在组合图上的 Paley-Wiener 空间中，与拉普拉斯算子相比，谱图小波算子提供了更大的灵活性和更好的平滑性控制。我们通过一系列下游任务，包括聚类和无监督特征重要性，在各种公共数据集上验证了我们提出的图嵌入方法的有效性。

本文旨在介绍一种基于谱图小波的多尺度图网络嵌入框架，采用对比学习方法，解决无监督环境下从复杂高维数据中获取有意义的表示的问题。

本文提出的图嵌入框架具有建立嵌入空间和输入特征空间之间对应关系的能力，有助于推导原始特征的特征重要性。

本文在组合图的Paley-Wiener空间中理论上证明了谱图小波算子相比于拉普拉斯算子具有更大的灵活性和更好的平滑性控制。作者通过一系列下游任务验证了所提出的图嵌入的有效性，包括聚类和无监督特征重要性等。研究使用了多个公共数据集，并开源了代码。

最近的相关研究包括：《Deep Graph Clustering: A Survey》、《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》等。