对抗生成学习：异构信息网络的新思路

在当今数据驱动的世界中，异构信息网络已成为捕捉复杂关系和从中提取有意义见解的宝贵工具。这些网络由不同类型节点和边缘组成的异构数据组成，提供了对复杂系统的全面理解。

随着异构信息网络的普及，网络表示学习（NRL）应运而生，这是一种利用机器学习技术将网络数据嵌入到低维空间中的方法。NRL 为广泛的网络分析任务奠定了基础，包括节点分类、链接预测和社区检测。

然而，现有的 NRL 方法存在一些重大限制。它们通常采用负抽样技术，从网络中随机选择节点，而没有学习底层数据分布。这会产生不稳定且容易出现噪声的表示。

对抗生成学习（GAN）的兴起

对抗生成学习（GAN）是一种生成式模型，它开辟了学习复杂数据分布的新途径。GAN由两个神经网络组成：生成器和判别器。生成器学习从潜在分布中生成逼真的样本，而判别器则学习将生成样本与真实样本区分开来。

通过相互竞争，生成器和判别器共同学习捕获数据分布的复杂性，生成高质量且多样的样本。这种竞争机制使 GAN 能够生成逼真的图像、文本和音乐。

GAN 在异构信息网络 NRL 中的应用

最近，研究人员开始探索 GAN 在异构信息网络 NRL 中的应用。这种结合为解决 NRL 中的固有挑战提供了新颖的解决方案。

GAN 可以学习异构信息网络中底层的节点和边缘分布。通过生成符合网络结构和语义特征的逼真样本，GAN 能够增强现有 NRL 模型的鲁棒性。此外，GAN 还可以用于生成新的节点和边缘，从而扩充网络并增强分析能力。

KDD 2019 论文：异构信息网络上的对抗生成学习

在 2019 年知识发现与数据挖掘国际会议（KDD 2019）上，一篇论文题为“异构信息网络上的对抗生成学习”引起了广泛关注。这篇论文提出了一种基于 GAN 的 NRL 新方法，称为 HIGAN。

HIGAN 采用双级 GAN 架构，包括一个节点生成器、一个边缘生成器和一个判别器。节点生成器和边缘生成器学习生成符合异构信息网络分布的新节点和边缘，而判别器则学习将这些生成样本与真实样本区分开来。

通过这种竞争机制，HIGAN 学会捕获网络的复杂结构和语义特征。实验表明，HIGAN 在各种 NRL 任务上优于现有的方法，包括节点分类、链接预测和社区检测。

GAN 在 NRL 中的未来方向

GAN 在异构信息网络 NRL 中的应用仍处于早期阶段，但已经显示出巨大的潜力。未来研究将重点关注以下几个领域：

• 探索不同的 GAN 架构和训练策略，以提高 NRL 性能。
• 研究 GAN 在动态和大型异构信息网络中的应用。
• 开发用于评估 GAN 生成表示质量的度量标准。

异构信息网络表示学习（NRL）是一种将网络数据嵌入到低维空间中的技术。现有的 NRL 方法存在一些限制，例如使用负抽样和未能学习底层数据分布。对抗生成学习（GAN）是一种生成式模型，已用于解决这些限制。KDD 2019 论文“异构信息网络上的对抗生成学习”提出了一种基于 GAN 的 NRL 新方法，称为 HIGAN。HIGAN 采用了双级 GAN 架构，包括一个节点生成器、一个边缘生成器和一个判别器。通过竞争机制，HIGAN 学会捕获网络的复杂结构和语义特征。实验表明，HIGAN 在各种 NRL 任务上优于现有的方法。GAN 在 NRL 中的应用仍处于早期阶段，但已经显示出巨大的潜力。