通过多类图描述整合网络嵌入与社区离群点检测
社会与信息网络
2020-07-21 v1 机器学习
机器学习
摘要
网络（或图）嵌入是将图的节点映射到低维向量空间的任务，以保留图属性并便利下游网络挖掘任务。真实世界网络常带有（社区）离群节点，其行为不同于社区中的常规节点。若处理不当，这些离群节点会影响常规节点的嵌入。本文提出一种新颖的无监督图嵌入方法（称为 DMGD），将离群点与社区检测同节点嵌入相整合。当给定网络中存在多个社区且离群点相对于其社区被刻画时，我们将深度支持向量数据描述的思想扩展到图嵌入框架中。我们还给出了 DMGD 检测到的离群点数量的理论界限。我们的公式可归结为离群点、社区分配与节点嵌入函数之间一个有趣的极小极大博弈。我们还提出了一种高效算法来求解该优化框架。在合成与真实世界网络上的实验结果表明了我们的方法相较最先进方法的优越性。
关键词
引用
@article{arxiv.2007.10231,
title = {Integrating Network Embedding and Community Outlier Detection via Multiclass Graph Description},
author = {Sambaran Bandyopadhyay and Saley Vishal Vivek and M. N. Murty},
journal= {arXiv preprint arXiv:2007.10231},
year = {2020}
}
备注
This work is accepted at the 24th European Conference on Artificial Intelligence (ECAI 2020) as a full research paper