面向社区检测与链接预测联合任务的模块化感知图自编码器
机器学习
2022-06-22 v2 社会与信息网络
机器学习
摘要
图自编码器（GAE）与变分图自编码器（VGAE）已成为强大的链接预测方法。它们在社区检测问题上的表现则不那么出色，根据近期一致的实验评估，它们常被 Louvain 方法等更简单的替代方案超越。目前仍不清楚能在多大程度上用 GAE 和 VGAE 改进社区检测，尤其是在缺乏节点特征的情况下。此外也不确定能否在同时保持链接预测良好性能的前提下做到这一点。本文中，我们展示了以高精度联合解决这两项任务是可能的。为此，我们引入并从理论上研究了一种保持社区的讯息传递方案，在计算嵌入空间时通过同时考虑初始图结构与基于模块度的先验社区来增强我们的 GAE 和 VGAE 编码器。我们还提出了新的训练与优化策略，包括引入受模块度启发的正则化项，以补充现有的重构损失，用于联合链接预测与社区检测。我们通过在不同真实世界图上的深入实验验证，证明了我们称为模块化感知 GAE 和 VGAE 的方法的经验有效性。
引用
@article{arxiv.2202.00961,
title = {Modularity-Aware Graph Autoencoders for Joint Community Detection and Link Prediction},
author = {Guillaume Salha-Galvan and Johannes F. Lutzeyer and George Dasoulas and Romain Hennequin and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2202.00961},
year = {2022}
}
备注
Accepted for publication in Elsevier's Neural Networks journal in 2022