大规模图的高效可视化
机器学习
2023-10-18 v1
摘要
现有多数基于降维的图可视化方法因性能问题仅限于较小规模的图。本文提出一种用于图可视化的新型降维方法,称为 t 分布随机图邻域嵌入(t-SGNE)。t-SGNE 专为可视化图中的簇结构而设计。作为标准 t-SNE 方法的变体,t-SGNE 避免了耗时的两两相似度计算,而是利用图的邻域结构将时间复杂度由二次降为线性,从而支持更大规模的图。此外,为适配 t-SGNE,我们将拉普拉斯特征映射与图中最短路径算法结合,构成图嵌入算法最短路径拉普拉斯特征映射嵌入(SPLEE)。先执行 SPLEE 获得大规模图的高维嵌入,再用 t-SGNE 降维以可视化,我们能在 5 分钟内可视化多达 300K 节点与 1M 边的图,并取得约 10% 的可视化质量提升。代码与数据见 https://github.com/Charlie-XIAO/embedding-visualization-test。
引用
@article{arxiv.2310.11186,
title = {Efficiently Visualizing Large Graphs},
author = {Xinyu Li and Yao Xiao and Yuchen Zhou},
journal= {arXiv preprint arXiv:2310.11186},
year = {2023}
}