神经随机块模型与可扩展的基于社区的图学习
社会与信息网络
2020-05-19 v1 机器学习
机器学习
摘要
本文提出一种新颖的可扩展的基于社区的图学习神经框架。该框架通过社区检测与链接预测任务，利用我们提出的联合 SBM 损失函数优化来学习图拓扑，该损失函数由经典随机块模型（SBM）似然函数的非平凡适配得到。与 SBM 相比，我们的框架灵活，自然允许软标签并消化复杂节点属性。主要目标是对复杂图数据的高效评估，因此我们的设计精心着眼于适配大数据，并确保单次前向传播即可高效评估。对于大图，如何高效利用其底层结构服务于各类图学习任务仍属开放问题。此前这可能是繁重工作。借助我们的基于社区的框架，这变得较不困难，并允许任务模型基本即插即用并执行联合训练。我们目前考察两个特定应用：图对齐与异常关联检测，并讨论如何利用我们的框架解决这两个问题。我们进行了大量实验以证明方法的有效性。我们还贡献了经典技术的调整，发现有助于性能与可扩展性。例如：1) GAT+，即 GAT（图注意力网络）的改进设计、缩放余弦相似度，以及基于卷积/注意力与基于随机游走的神经图模型的统一实现。
引用
@article{arxiv.2005.07855,
title = {Neural Stochastic Block Model & Scalable Community-Based Graph Learning},
author = {Zheng Chen and Xinli Yu and Yuan Ling and Xiaohua Hu},
journal= {arXiv preprint arXiv:2005.07855},
year = {2020}
}