基于可解释对比网络表示学习的网络比较
机器学习
2022-02-16 v2 社会与信息网络
机器学习
摘要
通过与另一个网络比较来识别网络中的独特特征是必不可少的网络分析任务。例如，利用正常组织和癌症组织获得的蛋白质相互作用网络，我们可以发现癌症组织中独特类型的相互作用。对比学习是一种新兴的分析方法，用于发现一个数据集相对于另一个数据集的显著模式，可极大辅助该分析任务。然而，现有的对比学习方法无法直接应用于网络，因为它们仅为高维数据分析而设计。为解决此问题，我们引入了一种称为对比网络表示学习（cNRL）的新分析方法。通过整合网络表示学习和对比学习两种机器学习方案，cNRL 能够将网络节点嵌入到低维表示中，从而揭示一个网络相对于另一个网络的独特性。在该方法内，我们还设计了一种名为 i-cNRL 的方法，其提供了所学结果的可解释性，使人能够理解哪些特定模式仅存在于一个网络中。我们借助多个网络模型和真实世界数据集展示了 i-cNRL 用于网络比较的有效性。此外，我们通过定量和定性评估比较了 i-cNRL 与其他潜在的 cNRL 算法设计。
引用
@article{arxiv.2005.12419,
title = {Network Comparison with Interpretable Contrastive Network Representation Learning},
author = {Takanori Fujiwara and Jian Zhao and Francine Chen and Yaoliang Yu and Kwan-Liu Ma},
journal= {arXiv preprint arXiv:2005.12419},
year = {2022}
}
备注
To appear in Journal of Data Science, Statistics, and Visualisation. The previous preprint version was titled "Interpretable Contrastive Learning for Networks" (arXiv:2005.12419v1)