L2G2G：基于图自编码器的可扩展局部到全局网络嵌入

图表示学习是分析现实世界网络的流行工具。这些方法（如图自编码器 GAE）通常依赖于通过最小化损失函数获得的低维表示（也称为嵌入），这些嵌入与解码器一起用于节点分类和边预测等下游任务。虽然 GAE 往往相当准确，但它们存在可扩展性问题。为了提高速度，一种基于特征向量同步结合图谱块嵌入的 Local2Global 方法被证明既快速又能达到良好的准确度。在此，我们提出了 L2G2G，这是一种 Local2Global 方法，在不牺牲可扩展性的前提下提高了 GAE 的准确度。这一改进是通过在训练 GAE 时动态同步潜在节点表示来实现的。它还受益于解码器仅计算局部图谱块损失。因此，在每个 epoch 中对齐局部嵌入比单次训练后对齐利用了更多的图信息，同时保持了可扩展性。我们在合成基准测试以及现实世界示例中表明，L2G2G 比标准的 Local2Global 方法实现了更高的准确度，并且在较大数据集上能有效扩展。我们发现，对于大型稠密网络，它甚至优于那些缓慢但被认为更准确的 GAE。