GraphDCA——一种用于真实图与合成图中节点分布比较的框架
机器学习
2022-02-10 v2 人工智能
摘要
我们认为，在比较两个图时，节点结构特征的分布比实践中常用的全局图统计量更具信息量，尤其是在评估图生成模型时。因此，我们提出了 GraphDCA——一种基于各自节点表示集的对齐来评估图之间相似性的框架。这些集合使用一种最近提出的用于比较表示空间的方法（称为 Delaunay 成分分析（DCA））进行比较，我们将其扩展到图数据。为了评估我们的框架，我们生成了一个展现不同结构模式的图基准数据集，并使用三种节点结构特征提取器表明，GraphDCA 能够识别具有相似和不相似局部结构的图。然后，我们应用我们的框架评估三个公开可用的真实世界图数据集，并利用渐进的边扰动证明，与全局统计量不同，GraphDCA 令人满意地捕捉到了逐渐降低的相似性。最后，我们使用 GraphDCA 评估了两个最先进的图生成模型 NetGAN 和 CELL，并得出结论：这些模型需要进一步改进以充分再现局部结构特征。
引用
@article{arxiv.2202.03884,
title = {GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs},
author = {Ciwan Ceylan and Petra Poklukar and Hanna Hultin and Alexander Kravchenko and Anastasia Varava and Danica Kragic},
journal= {arXiv preprint arXiv:2202.03884},
year = {2022}
}