对抗网络嵌入
机器学习
2017-11-22 v1
摘要
学习网络的低维表示已在节点分类、链接预测与网络可视化等多种任务中被证明有效。现有方法能将不同结构性质有效编码进表示，如邻域连接模式、全局结构角色相似度及其他高阶邻近性。然而，除捕捉网络结构性质的目标外，多数方法缺乏用于增强表示鲁棒性的额外约束。本文旨在利用生成对抗网络在捕捉潜在特征上的优势，并探究其在学习稳定且鲁棒图表示中的贡献。具体而言，我们提出一种对抗网络嵌入（ANE）框架，借助对抗学习原理对表示学习进行正则化。其由两个组件构成，即结构保持组件与对抗学习组件。前者旨在捕捉网络结构性质，后者则通过使潜在表示的后验分布匹配给定先验来助力学习鲁棒表示。实证结果表明，我们的方法在基准网络嵌入任务上可与最先进方法媲美或优于之。
引用
@article{arxiv.1711.07838,
title = {Adversarial Network Embedding},
author = {Quanyu Dai and Qiang Li and Jian Tang and Dan Wang},
journal= {arXiv preprint arXiv:1711.07838},
year = {2017}
}
备注
AAAI 2018