关系网络中含未观测数据时聚合性质的估计
机器学习
2020-01-28 v2 机器学习
摘要
聚类凝聚度和桥节点数量等聚合网络性质可用于洞察网络的社区结构、影响传播以及网络对故障的韧性。当网络被完全观测时高效计算网络性质已受到广泛关注（Wasserman 与 Faust 1994；Cook 与 Holder 2006），然而在存在缺失数据属性时计算聚合网络性质的问题却鲜有研究。对具有缺失属性的网络计算这些性质需要对网络进行推断。统计关系学习（SRL）与图神经网络（GNNs）是两类非常适于推断图中缺失属性的机器学习方法。在本文中，我们研究了这些方法在估计含缺失属性网络的聚合性质上的有效性。我们比较了两种 SRL 方法与三种 GNN。对于这些方法的估计，我们使用如 MAP 与均值等点估计来计算这些性质。对于能够推断缺失属性上联合分布的基于 SRL 的方法，我们还将这些性质作为该分布上的期望来估计。为对我们所研究的 SRL 方法之一概率软逻辑可处理地计算期望，我们引入了一种新颖的采样框架。在实验评估中，使用三个基准数据集，我们表明基于 SRL 的方法在计算聚合性质与预测精度上往往优于基于 GNN 的方法。具体而言，我们表明将这些聚合性质作为联合分布上的期望来估计优于点估计。
引用
@article{arxiv.2001.05617,
title = {Estimating Aggregate Properties In Relational Networks With Unobserved Data},
author = {Varun Embar and Sriram Srinivasan and Lise Getoor},
journal= {arXiv preprint arXiv:2001.05617},
year = {2020}
}