随机漫步引导的超bolic图层抽样
机器学习
2025-01-28 v1
摘要
图层抽样（GD）是从大规模网络结构中提取有用信息的有效方法。然而，现有方法 operate in Euclidean space 以生成简化图谱，难以捕捉真实网络固有的树状几何结构，导致提炼图在下游任务中包含有限的任务相关信息此外，这些方法往往无法提取图的动态属性，这对于理解信息流动和促进图的持续学习至关重要。本文提出一种新型图层抽样方法——具有随机漫步优化的超bolic图层抽样（HyDRO），该方法利用hyperbolic embeddings 捕捉复杂几何模式并优化hyperbolic space 中的谱间隙。实验表明，HyDRO 在节点分类和链路预测任务中均表现出色，持续优于现有SOTA方法。HyDRO 有效保留图的随机漫步属性，生成的简化图在持续图学习中实现提升性能。此外，HyDRO 在主流图层抽样基准测试中取得具竞争力的结果，同时在隐私与实用性之间保持良好平衡，对噪声具有鲁棒性。
引用
@article{arxiv.2501.15696,
title = {Random Walk Guided Hyperbolic Graph Distillation},
author = {Yunbo Long and Liming Xu and Stefan Schoepf and Alexandra Brintrup},
journal= {arXiv preprint arXiv:2501.15696},
year = {2025}
}