ffstruc2vec：面向结构身份的平坦、灵活且可扩展的节点表示学习
机器学习
2025-04-03 v1 人工智能
社会与信息网络
摘要
节点嵌入是指生成保持节点特定属性的低维向量表示的技术。该领域的关键挑战在于开发可扩展方法，以适合特定下游应用任务所需的结构模式类型。虽然大多数现有方法侧重于保持节点邻近性，但那些保留结构属性的方法往往缺乏灵活性以保留下游应用任务所需的各种结构模式类型。本文引入ffstruc2vec，一个面向学习保持结构身份的节点嵌入向量的可扩展深度学习框架。其平坦、高效的架构允许灵活捕获多种结构模式，实现对各种下游应用任务的广泛适应性。该框架在实际应用中在多种无监督和监督任务上显著优于现有方法。此外，ffstruc2vec通过量化各结构模式如何影响任务结果，实现可解释性，提供可操作的解释。据我们了解，现有框架尚未实现这种水平的灵活性、可扩展性和结构可解释性，凸显了其独特能力。
引用
@article{arxiv.2504.01122,
title = {ffstruc2vec: Flat, Flexible and Scalable Learning of Node Representations from Structural Identities},
author = {Mario Heidrich and Jeffrey Heidemann and Rüdiger Buchkremer and Gonzalo Wandosell Fernández de Bobadilla},
journal= {arXiv preprint arXiv:2504.01122},
year = {2025}
}