基于对抗时序图表示学习的动态社区发现
社会与信息网络
2022-07-11 v1 人工智能
机器学习
摘要
动态社区发现作为一种通过识别强连接节点集合来量化动态脑网络连接模式变化的强大工具而蓬勃发展。然而，随着待处理的网络科学问题与网络数据日益复杂，亟需一种更好的方法以高效地从动态网络数据中学习低维表示，并揭示其在脑网络中随时间变化的潜在功能。本工作提出一种对抗时序图表示学习（ATGRL）框架，用于从少量脑网络数据样本中检测动态社区。该框架采用一种新颖的时序图注意力网络作为编码器，通过在空间与时间维度上的注意力机制捕获更高效的时空特征。此外，该框架利用对抗训练引导时序图表示的学习，并优化可度量的模块度损失以最大化社区的模块度。在真实脑网络数据集上的实验证明了该新方法的有效性。
引用
@article{arxiv.2207.03580,
title = {Dynamic Community Detection via Adversarial Temporal Graph Representation Learning},
author = {Changwei Gong and Changhong Jing and Yanyan Shen and Shuqiang Wang},
journal= {arXiv preprint arXiv:2207.03580},
year = {2022}
}