基于图神经网络构建逼真合成社交网络
社会与信息网络
2022-12-16 v1 人工智能
摘要
由于隐私和安全问题，社交网络分析在研究者间共享数据方面面临巨大困难。对此的一个潜在补救措施是合成网络，其高度近似真实网络，却可自由分发。生成合成网络需要创建在应用中尽可能真实运作的网络拓扑。当前广泛应用的模型基于规则，难以复现结构动态。受近期用于网络生成的图神经网络（GNN）模型发展的推动，我们评估了 GNN 用于合成社交网络的潜力。我们对 GNN 的使用限定于合理用例内，并包含基于最大均值差异（MMD）的实证评估。我们纳入了社交网络专用度量，以评估合成网络在典型社交网络分析应用中的真实表现。我们发现门控循环注意力网络（GRAN）可良好推广至社交网络，且与基准的流行规则化生成递归矩阵（R-MAT）方法相比，更能复现真实结构动态。我们发现 GRAN 比 R-MAT 计算成本更高，但应用成本尚不过高，因此可有效用于寻求创建合成社交网络数据集的研究者。
引用
@article{arxiv.2212.07843,
title = {Realistic Synthetic Social Networks with Graph Neural Networks},
author = {Alex Davies and Nirav Ajmeri},
journal= {arXiv preprint arXiv:2212.07843},
year = {2022}
}
备注
12 pages, 4 figures