基于神经网络的图粗化
机器学习
2021-02-03 v1 人工智能
摘要
随着大规模图日益普遍，处理、提取和分析大型图数据带来了显著的计算挑战。图粗化是一种在保持基本属性的同时减小图尺寸的流行技术。尽管图粗化文献丰富，但该领域中数据驱动方法的探索仍然有限。在这项工作中，我们利用图深度学习的最新进展来进行图粗化。我们首先提出了一个衡量粗化算法质量的框架，并表明根据目标的不同，我们需要仔细选择粗图上的拉普拉斯算子以及相关的投影/提升算子。受当前粗图边权选择可能次优这一观察的启发，我们用图神经网络参数化权值分配映射，并以无监督方式训练它以改善粗化质量。通过在合成网络和真实网络上的大量实验，我们证明了我们的方法在各种度量、缩减比例、图尺寸和图类型下显著改进了常见的图粗化方法。它能泛化到更大尺寸的图（训练图的 25 倍），可适应不同的损失（可微与不可微），并且比先前工作扩展到大得多的图。
引用
@article{arxiv.2102.01350,
title = {Graph Coarsening with Neural Networks},
author = {Chen Cai and Dingkang Wang and Yusu Wang},
journal= {arXiv preprint arXiv:2102.01350},
year = {2021}
}
备注
International Conference on Learning Representations 2021