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、高维度的数据中提取有意义的表征至关重要。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。该嵌入的一个重要特征是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控制平滑性质。我们通过一系列下游任务（包括聚类和无监督特征重要性）验证了我们提出的图嵌入的有效性，使用了各种公共数据集。

本论文旨在通过多尺度图网络嵌入解决高维数据的无监督表示问题。

论文提出了一种基于谱图小波的多尺度图网络嵌入框架，并采用对比学习方法来建立嵌入空间和输入特征空间之间的对应关系，以推导原始特征的重要性。

该嵌入方法在组合图的Paley-Wiener空间中比拉普拉斯算子具有更大的灵活性和更好的平滑性控制。实验验证了该嵌入方法在聚类和无监督特征重要性等下游任务中的有效性。

与该论文相关的研究包括：GraphSAGE、DeepWalk、LINE等。