用于绘制网络的深度神经网络 (DNN)^2
机器学习
2021-08-11 v2
摘要
借助随机梯度下降方法近期的进展，若干工作已表明可通过优化定制的目标函数高效地进行图布局。与此同时，深度学习(DL)技术在许多应用中取得了优异表现。我们证明可利用 DL 技术借助图相关目标函数学习图到布局的操作序列。本文提出一种称为 (DNN)^2 的新型图绘制框架：用于绘制网络的深度神经网络(Deep Neural Network for DrawiNg Networks)。我们的方法使用图卷积网络学习模型。学习通过优化一个图拓扑相关的损失函数实现，该函数在训练期间评估 (DNN)^2 生成的布局。一旦训练完成，(DNN)^ 模型便能快速布局任意输入图。我们对 (DNN)^2 进行了实验，并将其与基于优化的和常规的图布局算法做了统计比较。结果表明 (DNN)^2 表现良好，并且由于深度学习用于图绘制是新颖的且已识别出许多未来工作线索，这些结果是令人鼓舞的。
引用
@article{arxiv.2108.03632,
title = {Deep Neural Network for DrawiNg Networks, (DNN)^2},
author = {Loann Giovannangeli and Frederic Lalanne and David Auber and Romain Giot and Romain Bourqui},
journal= {arXiv preprint arXiv:2108.03632},
year = {2021}
}
备注
Appears in the Proceedings of the 29th International Symposium on Graph Drawing and Network Visualization (GD 2021)