GraphGen：一种可扩展的域无关带标签图生成方法
机器学习
2020-04-09 v2 机器学习
摘要
图生成模型已在数据挖掘文献中被广泛研究。虽然传统技术基于生成遵循预定分布的结构，但近期技术已转向直接从数据中学习该分布。尽管基于学习的方法在质量上带来了显著改进，但仍有一些局限有待解决。首先，学习图分布引入了额外的计算开销，限制了其扩展到大型图数据库的可扩展性。其次，许多技术仅学习结构，未解决同时学习节点和边标签的需求，而这些标签编码了重要的语义信息并影响结构本身。第三，现有技术常引入领域特定规则且缺乏泛化能力。第四，现有技术的实验由于使用较弱的评估指标或主要关注合成或小数据集而不够全面。在这项工作中，我们开发了称为GraphGen的域无关技术以克服所有这些局限。GraphGen使用最小DFS代码将图转换为序列。最小DFS代码是规范标签，可精确捕获图结构及标签信息。结构与语义标签之间的复杂联合分布通过一种新颖的LSTM架构学习。在百万级真实图数据集上的大量实验表明，GraphGen平均比最先进技术快4倍，同时在涵盖11种不同指标的综合集合中质量显著更优。我们的代码发布于https://github.com/idea-iitd/graphgen。
引用
@article{arxiv.2001.08184,
title = {GraphGen: A Scalable Approach to Domain-agnostic Labeled Graph Generation},
author = {Nikhil Goyal and Harsh Vardhan Jain and Sayan Ranu},
journal= {arXiv preprint arXiv:2001.08184},
year = {2020}
}
备注
Fixed typo in Table 1; The Web Conference (WWW) 2020