无监督网络表示学习的比较研究
机器学习
2020-03-12 v6 机器学习
摘要
近年来，随着灵活的随机游走方法、新的优化目标和深度架构的出现，无监督网络表示学习（UNRL）方法取得了可观进展。然而，目前缺乏系统比较嵌入以理解其在不同图和任务下行为的共同基础。本文在理论上将不同方法归置于统一框架下，并实证考察不同网络表示方法的有效性。具体而言，我们认为大多数 UNRL 方法要么显式要么隐式地建模并利用节点的上下文信息。因此，我们提出一个框架，将多种方法——基于随机游走的、矩阵分解的和基于深度学习的——纳入统一的基于上下文的优化函数。我们依据相似性与差异性对方法系统分组。详细研究这些方法间的差异，并随后用以解释它们（在下游任务上）的性能差异。我们开展了大规模实证研究，考量 9 种流行且近期的 UNRL 技术与 11 个具有不同结构属性和两个常见任务（节点分类与链接预测）的真实数据集。我们发现没有单一方法明显胜出，合适方法的选择由嵌入方法某些属性、任务及底层图的结构属性决定。此外，我们还报告了 UNRL 方法评估中的常见陷阱，并给出实验设计与结果解读的建议。
引用
@article{arxiv.1903.07902,
title = {A Comparative Study for Unsupervised Network Representation Learning},
author = {Megha Khosla and Vinay Setty and Avishek Anand},
journal= {arXiv preprint arXiv:1903.07902},
year = {2020}
}
备注
Accepted for publication in IEEE TKDE