NetLSD：听出图的形状
社会与信息网络
2018-05-30 v2
摘要
图之间的比较在图分析中无处不在。然而，就所用相似性度量的表达力及其计算效率而言，这是一项困难任务。理想情况下，图比较应对节点顺序与比较图的大小不变，对图模式的尺度具有适应性，并且可扩展。遗憾的是，这些性质尚未被一并解决。图比较仍依赖直接方法、图核或基于表示的方法，这些方法对大型图集合均效率低下且不实用。本文提出网络拉普拉斯谱描述符 (Network Laplacian Spectral Descriptor, NetLSD)：据我们所知，这是首个置换与大小不变、尺度自适应且可高效计算的图表示方法，允许对大图进行直接比较。NetLSD 提取一个紧致签名，继承了拉普拉斯谱（具体为其热核或波动核）的形式性质；因而，它听出了图的形状。我们在多种真实世界图上的评估表明，其在表达力与效率上均优于先前工作。
引用
@article{arxiv.1805.10712,
title = {NetLSD: Hearing the Shape of a Graph},
author = {Anton Tsitsulin and Davide Mottin and Panagiotis Karras and Alex Bronstein and Emmanuel Müller},
journal= {arXiv preprint arXiv:1805.10712},
year = {2018}
}
备注
KDD '18: The 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, August 19--23, 2018, London, United Kingdom