subgraph2vec：从大图中学习根子图的分布式表示
机器学习
2016-06-30 v1 人工智能
密码学与安全
软件工程
摘要
在本文中，我们提出subgraph2vec，一种受深度学习与图核近期进展启发、从大图中学习根子图潜表示的新方法。这些潜表示在连续向量空间中编码语义子结构依赖，易于被统计模型用于图分类、聚类、链接预测和社区检测等任务。subgraph2vec利用从节点邻域获得的局部信息以无监督方式学习其潜表示。我们证明，我们方法学到的子图向量可与CNN、SVM和关系数据聚类算法等分类器结合使用，以获得显著更优的准确率。此外，我们展示子图向量可用于构建魏斯费勒-莱曼图核的深度学习变体。我们在若干基准和大规模真实世界数据集上的实验表明，subgraph2vec在监督与无监督学习任务上均比现有图核取得显著准确率提升。具体而言，在两个真实世界程序分析任务，即代码克隆与恶意软件检测中，subgraph2vec分别优于最先进核方法超过17%和4%。
引用
@article{arxiv.1606.08928,
title = {subgraph2vec: Learning Distributed Representations of Rooted Sub-graphs from Large Graphs},
author = {Annamalai Narayanan and Mahinthan Chandramohan and Lihui Chen and Yang Liu and Santhoshkumar Saminathan},
journal= {arXiv preprint arXiv:1606.08928},
year = {2016}
}