图表示学习在许多领域取得了巨大的成功，包括电子商务、化学、生物学等。然而，为给定的图选择合适的节点嵌入维度的基本问题仍未解决。基于网格搜索或经验知识的节点嵌入维度选择 (NEDS) 的常用策略存在计算量大和模型性能差的问题。

在本文中，作者从最小熵原理的角度重新审视 NEDS。随后，提出了一种基于最小图熵 (MinGE) 的算法去找最优嵌入维度。具体来说，MinGE 考虑了图上的特征熵和结构熵。特征熵假设相邻节点的嵌入相似。结构熵以归一化的度为基本单位，进一步衡量图的高阶结构。

基于它们，作者设计了MinGE来计算图上的嵌入维度。最后，在基准数据集上使用最近的图神经网络 (GNN) 进行实验表明提出的 MinGE 的有效性和通用性。

论文标题：

Graph Entropy Guided Node Embedding Dimension Selection for Graph Neural Networks

论文地址：https://arxiv.org/pdf/2105.03178.pdf

作者：

Gongxu Luo（北航）

Jianxin Li（北航）

Hao Peng（北航）

Carl Yang（Emory University）

Lichao Sun（Lehigh University）

Philip S. Yu(UIC)

Lifang He (Lehigh University)

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