基于态密度的快速属性图嵌入
机器学习
2021-10-12 v1 机器学习
摘要
给定一个节点属性图，我们如何能用少量数值特征高效地表示它，使其充分反映其拓扑与属性信息？我们提出了A-DOGE（基于态密度的属性图嵌入，Attributed DOS-based Graph Embedding），该方法基于态密度(DOS，亦称谱密度)来解决此问题。A-DOGE旨在满足一系列长期期望的特性。最值得注意的是，它利用了高效的DOS近似算法，我们首次将其扩展以融合节点标签与属性，从而使其对大型属性图与图数据库快速且可扩展。基于图的完整特征谱，A-DOGE能够在多尺度（“全局-局部”）上捕捉结构与属性性质。此外，它是无监督的（即与任何特定目标无关）且适合多种解释，这使其适用于探索性图挖掘任务。最后，它独立于其他图处理每个图，从而适用于流式场景以及并行化。通过大量实验，我们展示了A-DOGE在探索性图分析与图分类任务上的效能与效率，其显著优于无监督基线，并与现代监督GNN取得有竞争力的性能，同时实现了准确率与运行时间之间的最佳权衡。
引用
@article{arxiv.2110.05228,
title = {Fast Attributed Graph Embedding via Density of States},
author = {Saurabh Sawlani and Lingxiao Zhao and Leman Akoglu},
journal= {arXiv preprint arXiv:2110.05228},
year = {2021}
}
备注
ICDM 2021