通过解耦恢复 Barabási-Albert 图的生成参数
社会与信息网络
2021-05-05 v2 机器学习
机器学习
摘要
经典图建模方法如 Erdős Rényi（ER）随机图或 Barabási-Albert（BA）图（此处称为程式化模型）旨在以可解释的方式复现真实世界图的属性。尽管有用，使用程式化模型进行图生成需要领域知识并经过反复试错仿真。Stoehr 等人（2019）的先前工作通过使用以解耦为焦点的深度自编码框架（更具体地，β-变分自编码器（β-VAE））从图数据中学习生成过程，解决了这些问题。虽然他们通过模型的潜变量成功恢复了 ER 图的生成参数，但由于其解码器过于简化，该模型在 BA 图等顺序生成图上表现糟糕。我们专注于通过将其 β-VAE 解码器替换为顺序解码器来恢复 BA 图的生成参数。我们首先使用图神经网络（GNN）和随机森林回归器以监督方式学习 BA 生成参数，通过最小化真实生成参数与潜变量之间的平方损失。接下来，我们训练一个 β-VAE 模型，将第一阶段的 GNN 编码器与基于 LSTM 的带定制损失的解码器相结合。
引用
@article{arxiv.2105.00997,
title = {Recovering Barab\'asi-Albert Parameters of Graphs through Disentanglement},
author = {Cristina Guzman and Daphna Keidar and Tristan Meynier and Andreas Opedal and Niklas Stoehr},
journal= {arXiv preprint arXiv:2105.00997},
year = {2021}
}
备注
Accepted at the 9th International Conference on Learning Representations (ICLR 2021), Workshop on Geometrical and Topological Representation Learning