基于线图神经网络的有监督社区发现
机器学习
2020-08-11 v6
摘要
传统上，图中的社区发现可以通过谱方法或概率图模型下的后验推断来解决。聚焦于随机图族（如随机块模型），最近的研究统一了这两种方法，并根据信噪比确定了统计和计算检测阈值。通过将社区发现重新表述为图上的节点级分类问题，我们也可以从学习的角度对其进行研究。我们提出了一种新颖的图神经网络（GNN）族，用于在有监督学习环境下解决社区发现问题。我们表明，以数据驱动的方式且在无法访问底层生成模型的情况下，它们可以在二类和多类随机块模型上匹配甚至超越置信传播算法的性能，而置信传播算法被认为达到了计算阈值。特别地，我们提议用在边邻接线图上定义的非回溯算子来增强 GNN。我们的模型在真实世界数据集上也取得了良好的性能。此外，我们首次对训练线性 GNN 解决社区发现问题的优化景观进行了分析，证明了在某些简化和假设下，局部和全局极小值处的损失值相差不大。
引用
@article{arxiv.1705.08415,
title = {Supervised Community Detection with Line Graph Neural Networks},
author = {Zhengdao Chen and Xiang Li and Joan Bruna},
journal= {arXiv preprint arXiv:1705.08415},
year = {2020}
}
备注
Published at International Conference on Learning Representations (ICLR 2019)