边独立图模型的表达能力探究
机器学习
2021-11-02 v1 社会与信息网络
摘要
为何许多现代基于神经网络的图生成模型无法再现典型的真实世界网络特征，例如高三角形密度？在本工作中，我们研究了边独立随机图模型的局限性，其中每条边以某种概率独立地加入图中。此类模型既包括经典的 Erdős-Rényi 和随机块模型，也包括现代生成模型如 NetGAN、变分图自编码器和 CELL。我们证明，在受限于有界重叠条件（确保模型不只是记忆单一图）的情况下，边独立模型在生成具有高三角形及其他子图密度的图的能力上固有地受限。值得注意的是，此类高密度已知出现在真实世界的社交网络及其他图中。我们以一个简单的生成模型补充我们的负面结果，该模型平衡了重叠与准确性，在重构许多图统计量方面表现与更复杂的模型相当。
引用
@article{arxiv.2111.00048,
title = {On the Power of Edge Independent Graph Models},
author = {Sudhanshu Chanpuriya and Cameron Musco and Konstantinos Sotiropoulos and Charalampos E. Tsourakakis},
journal= {arXiv preprint arXiv:2111.00048},
year = {2021}
}