SNoRe：可扩展的符号化节点表示无监督学习
机器学习
2020-12-01 v2 人工智能
摘要
从复杂真实网络中进行学习是一个活跃的研究领域，近期在学习信息丰富、低维网络节点表示方面取得了进展。然而，最先进的方法未必可解释，因此在生物医学或用户画像任务等敏感场景中并不完全适用，而此类场景中显式的偏差检测极为重要。所提出的 SNoRe（Symbolic Node Representations，符号化节点表示）算法能够基于作为特征的邻域哈希相似性，学习单个网络节点的人类可理解的符号化表示。SNoRe 的可解释特征适用于直接解释单个预测，我们将其与广泛使用的实例解释工具 SHAP 结合使用以获得表征单个特征对给定分类相关性的列线图，从而证明了这一点。据我们所知，这是结构化节点嵌入设置中首批此类尝试之一。在十一个真实数据集上的实验评估中，SNoRe 被证明可与变分图自编码器、node2vec 和 LINE 等强基线相竞争。SNoRe 的向量化实现可扩展到大型网络，使其适用于当代网络学习与分析任务。
引用
@article{arxiv.2009.04535,
title = {SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations},
author = {Sebastian Mežnar and Nada Lavrač and Blaž Škrlj},
journal= {arXiv preprint arXiv:2009.04535},
year = {2020}
}
备注
Accepted to IEEEAccess