Inferential SIR-GN：可扩展图表示学习
机器学习
2021-11-10 v1
摘要
图表示学习方法为网络中的节点生成数值向量表示，从而使其可用于标准机器学习模型。这些方法旨在保留关系信息，使得图中相似的节点在表示空间中彼此接近。相似性主要可基于两种概念之一：连通性或结构角色。在节点结构角色重要的任务中，基于连通性的方法表现出较差的性能。近期工作已开始关注学习方法对包含数百万至数十亿节点和边的大规模图的可扩展性。许多无监督节点表示学习算法无法扩展到大型图，并且无法为未见过的节点生成节点表示。在这项工作中，我们提出 Inferential SIR-GN，一种先在随机图上预训练，然后快速计算节点表示（包括针对非常大的网络）的模型。我们证明该模型能够捕获节点的结构角色信息，并在未见过的网络的节点和图分类任务上展现出优异性能。此外，我们观察到 Inferential SIR-GN 的可扩展性与当前针对大规模图最快的方法相当。
引用
@article{arxiv.2111.04826,
title = {Inferential SIR-GN: Scalable Graph Representation Learning},
author = {Janet Layne and Edoardo Serra},
journal= {arXiv preprint arXiv:2111.04826},
year = {2021}
}