【论文标题】Semi-Supervised Graph-to-Graph Translation 【作者团队】Tianxiang Zhao, Xianfeng Tang, Xiang Zhang, Suhang Wang 【发表时间】2021/03/16 【机 构】宾夕法尼亚州立大学信息科学与技术学院，美国 【论文链接】https://arxiv.org/pdf/2103.08827.pdf

【推荐理由】本文出自美国宾夕法尼亚州立大学，针对图转换过程涉及的更改语义以及自由度很高的问题，本文构造了一个双重表示空间，经过几个数据集测试表明显式建模可以使模型更容易利用未配对的图。

图转换是非常有前途的研究方向，具有广泛的潜在现实应用。图是表示关系和交互的自然结构，其翻译可以编码不同场景下关系的内在语义变化。但是，尽管看似可能性很大，但到目前为止，图转换的使用仍然非常有限。一个重要的原因是缺乏高质量的配对数据集。例如，我们可以轻松地建立代表人们共享的音乐品味和代表共同购买行为的图，但是配对得很好的数据集要昂贵得多。因此，在这项工作中，我们寻求在半监督情况下提供图转换模型。此任务并非易事，因为图转换涉及以链接拓扑和节点属性的形式更改语义，由于组合性质和相互依赖性，很难捕获语义。此外，由于图形组成的自由度很高，因此难以确保训练后模型的泛化能力。这些困难对开发未配对样品提出了更严格的要求。针对它们，我们建议构造一个双重表示空间，在其中进行显式转换以对语义转换建模。设计了特殊的编码器/解码器结构，并且还采用了辅助互信息丢失来强制未配对/配对示例的对齐。我们在三个不同的数据集中评估了该方法，证明了将不成对的图引入只有有限数量的成对训练样本的图翻译任务的重要性。此外，他们还验证了这样的直觉，即对中间空间中两个域之间的差异进行显式建模可以使模型更容易利用未配对的图。

图1 总体架构图

内容中包含的图片若涉及版权问题，请及时与我们联系删除