DeepWalking Backwards：从嵌入反推图结构
机器学习
2021-02-18 v1 社会与信息网络
摘要
低维节点嵌入在分析图数据集时起着关键作用。然而，很少有工作研究流行的嵌入方法究竟编码了哪些信息，以及这些信息如何与下游机器学习任务的性能相关联。我们通过研究嵌入是否可以被反演以（近似）恢复用于生成它们的图来解决这一问题。聚焦于流行的 DeepWalk 方法（Perozzi 等人，2014；Qiu 等人，2018）的一个变体，我们提出了精确的嵌入反演算法——即从一个图 G 的低维嵌入中，我们可以找到一个具有非常相似嵌入的图 H。我们在真实世界网络上进行了大量实验，观察到关于 G 的显著信息（如特定边和三角形密度等整体性质）经常在 H 中丢失。然而，社区结构往往被保留甚至增强。我们的发现是朝着更严格地理解嵌入究竟编码了关于输入图的哪些信息、以及为何这些信息对学习任务有用的一步。
引用
@article{arxiv.2102.08532,
title = {DeepWalking Backwards: From Embeddings Back to Graphs},
author = {Sudhanshu Chanpuriya and Cameron Musco and Konstantinos Sotiropoulos and Charalampos E. Tsourakakis},
journal= {arXiv preprint arXiv:2102.08532},
year = {2021}
}