基于 ego 的结构表示熵度量
机器学习
2020-03-03 v1 社会与信息网络
机器学习
摘要
在复杂网络中，具有相似结构特征的节点往往表现出相似的角色（例如社交网络中的用户类型或公司员工的层级位置）。为利用这一关系，日益增长的文献提出了识别结构等价节点的潜在表示。然而，大多数现有方法需要较高的时间和空间复杂度。本文中，我们提出 VNEstruct，一种生成低维结构节点嵌入的简单方法，既时间高效又对图结构扰动具有鲁棒性。该方法聚焦于每个节点的局部邻域，并采用信息论工具 Von Neumann 熵提取捕获邻域拓扑的特征。此外，在图分类任务上，我们建议利用所生成的结构嵌入将属性图结构转换为一组增广节点属性。经验上，我们观察到所提方法在结构角色识别任务上表现出鲁棒性，在图分类任务上达到最先进性能，同时保持极高的计算速度。
引用
@article{arxiv.2003.00553,
title = {Ego-based Entropy Measures for Structural Representations},
author = {George Dasoulas and Giannis Nikolentzos and Kevin Scaman and Aladin Virmaux and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2003.00553},
year = {2020}
}
备注
7 pages, 4 figures