SANGEA：可扩展的属性网络生成
机器学习
2023-09-28 v1
摘要
由于生成建模最新突破的浪潮，合成图生成器（SGG）这一主题近来备受关注。然而，许多最先进的 SGG 在图规模增大时扩展性不佳。事实上，在生成过程中，常常必须考虑固定节点数下的所有可能边，其复杂度为 ，其中 为图中的节点数。因此，许多最先进的 SGG 不适用于大图。本文提出 SANGEA，一个大规模合成图生成框架，它将任意 SGG 的适用性扩展到大型图。SANGEA 首先将大图划分为社区，为每个社区训练一个 SGG，然后将各社区图重新连接以创建合成大图。我们的实验表明，SANGEA 生成的图在拓扑和节点特征分布上均与原图高度相似。此外，这些生成图在链接预测等下游任务上具有较高的效用。最后，我们对生成图进行了隐私评估，表明尽管它们具有优异的效用，同时也取得了合理的隐私分数。
引用
@article{arxiv.2309.15648,
title = {SANGEA: Scalable and Attributed Network Generation},
author = {Valentin Lemaire and Youssef Achenchabe and Lucas Ody and Houssem Eddine Souid and Gianmarco Aversano and Nicolas Posocco and Sabri Skhiri},
journal= {arXiv preprint arXiv:2309.15648},
year = {2023}
}
备注
15 pages, 1 figure, 2 algorithms, 4 tables