基于自我中心的图结构表示熵度量
机器学习
2021-02-18 v1 社会与信息网络
摘要
由于图神经网络（GNNs）的出现，对图结构数据的机器学习引起了高度的研究兴趣。大多数所提出的 GNN 基于节点同质性，即相邻节点共享相似特征。然而，在许多复杂网络中，位于图中遥远部分的节点共享结构等价特征并表现出相似角色（例如分子中遥远原子的化学性质、社交网络用户的类型）。越来越多的文献提出了识别结构等价节点的表示。然而，大多数现有方法需要较高的时间和空间复杂度。在本文中，我们提出 VNEstruct，一种基于邻域拓扑熵度量的简单方法，用于生成低维结构表示，该方法时间高效且对图扰动具有鲁棒性。通过实验，我们观察到 VNEstruct 在结构角色识别任务上表现出鲁棒性。此外，与 GNN 竞争者不同，VNEstruct 无需在优化中融入图结构信息，即可在图分类上达到最先进的性能。
引用
@article{arxiv.2102.08735,
title = {Ego-based Entropy Measures for Structural Representations on Graphs},
author = {George Dasoulas and Giannis Nikolentzos and Kevin Scaman and Aladin Virmaux and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2102.08735},
year = {2021}
}
备注
Accepted to ICASSP 2021. arXiv admin note: substantial text overlap with arXiv:2003.00553