基于集成方法的鲁棒动态网络嵌入
社会与信息网络
2021-12-01 v2 人工智能
机器学习
摘要
动态网络嵌入（DNE）因网络嵌入在各领域的优势以及许多真实网络的动态特性，近来受到相当关注。DNE 的输入动态网络通常被假设在快照间具有平滑变化，然而这并非对所有真实场景都成立。自然会问：现有 DNE 方法能否在缺乏平滑变化的输入动态网络上表现良好？为量化此问题，我们提出一种称为变化程度（DoCs）的指标，其值越小表示变化越平滑。我们的比较研究表明，即便相应输入动态网络来自同一数据集，几种 DNE 方法对不同 DoCs 也不够鲁棒，这将使这些方法在未知真实应用中不可靠且难以使用。为提出一种有效且更鲁棒的 DNE 方法，我们遵循集成思想，其中每个基学习器采用增量 Skip-Gram 嵌入模型。为进一步提升性能，我们设计了一种简单而有效的策略，通过捕获不同层次的局部-全局拓扑，在每时间步增强基学习器间的多样性。大量实验证明了所提方法相较于最先进 DNE 方法的优越有效性与鲁棒性，以及所提方法中特殊设计的好处及其可扩展性。
引用
@article{arxiv.2105.14557,
title = {Robust Dynamic Network Embedding via Ensembles},
author = {Chengbin Hou and Guoji Fu and Peng Yang and Zheng Hu and Shan He and Ke Tang},
journal= {arXiv preprint arXiv:2105.14557},
year = {2021}
}