GANE:一种生成对抗网络嵌入方法
机器学习
2018-05-22 v2 机器学习
摘要
网络嵌入近来已成为一个热门研究课题,可为许多机器学习应用提供低维特征表示。当前工作要么关注 (1) 嵌入是否被设计为通过显式保持网络中结构连接的无监督学习任务,要么关注 (2) 嵌入是否为深度神经网络中特定判别任务监督学习的副产品。在本文中,我们聚焦于弥合这两条研究路线之间的鸿沟。我们提出采用生成对抗模型来执行网络嵌入,其中生成器试图生成顶点对,而判别器试图将生成的顶点对与网络中的真实连接(边)区分开来。采用 Wasserstein-1 距离来训练生成器以获得更好的稳定性。我们开发了三种模型变体,包括应用余弦相似度的 GANE、保持一阶邻近度的 GANE-O1,以及试图在低维嵌入向量空间中保持网络二阶邻近度的 GANE-O2。我们随后证明,当应用负采样来简化 GANE-O2 的训练过程时,GANE-O2 与 GANE-O1 具有相同的目标函数。使用真实网络数据集的实验表明,我们的模型在链接预测精度以及聚类任务中的可视化和准确性方面持续以显著提升优于最先进的方案。
引用
@article{arxiv.1805.07324,
title = {GANE: A Generative Adversarial Network Embedding},
author = {Huiting Hong and Xin Li and Mingzhong Wang},
journal= {arXiv preprint arXiv:1805.07324},
year = {2018}
}