动态图嵌入的局部内在维度
机器学习
2024-11-26 v1
摘要
局部内在维度(LID)的概念对数据挖掘和机器学习领域具有重要的理论意义和实际应用价值。近期研究表明，针对图定义的LID度量可改善基于随机漫步的图表示学习方法。在本文中，我们讨论了如何适应针对动态网络设计的NC-LID，这是一种用于静态图的LID度量。我们聚焦于基于随机漫步的最具代表性的动态图嵌入方法dynnode2vec，检验NC-LID与10个真实动态网络嵌入内在质量之间的相关性。获得的结果显示，NC-LID可作为节点嵌入向量难以保留时间图结构良好指示器的良好指示器。因此，我们的实证发现构成了LID感知动态图嵌入方法的第一步。
引用
@article{arxiv.2411.16145,
title = {Local Intrinsic Dimensionality for Dynamic Graph Embeddings},
author = {Dušica Knežević and Miloš Savić and Miloš Radovanović},
journal= {arXiv preprint arXiv:2411.16145},
year = {2024}
}