图自编码器新前沿：联合社区检测与链接预测
机器学习
2022-11-17 v1 社会与信息网络
机器学习
摘要
图自编码器（GAE）和变分图自编码器（VGAE）已成为链接预测（LP）的有力方法。它们在社区检测（CD）上的表现则不那么出色，常被Louvain法等更简单的替代方法超越。目前尚不清楚能在多大程度上用GAE和VGAE改进CD，尤其是在无节点特征的情况下。此外也不确定能否在多任务设定下同时保持LP的良好性能。在本 workshop 论文中，我们总结了期刊论文（Salha-Galvan等，2022）的结果，表明以高精度联合处理这两项任务是可能的。为此，我们引入一种保持社区的讯息传递方案，在计算嵌入空间时令GAE和VGAE编码器同时考虑初始图与基于Louvain的先验社区。受基于模块度的聚类启发，我们进一步提出专为联合LP与CD设计的新型训练与优化策略。我们在多个真实世界图上证明了我们称为模块度感知GAE和VGAE的方法的经验有效性。
引用
@article{arxiv.2211.08972,
title = {New Frontiers in Graph Autoencoders: 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:2211.08972},
year = {2022}
}
备注
This NeurIPS 2022 GLFrontiers workshop paper summarizes results from the following journal article: arXiv:2202.00961. arXiv admin note: text overlap with arXiv:2205.14651