维度对节点嵌入稳定性的影响
机器学习
2026-04-10 v1
摘要
先前的工作已确立，神经网络基于的节点嵌入在使用相同的参数在相同数据集上训练时，仅因使用不同的训练随机种子就返回不同的结果。然而，尚未深入分析诸如嵌入维度等关键超参数如何影响这种不稳定性。在本 work 中，我们研究了节点嵌入维度的变化如何影响其稳定性和下游性能。我们在多个数据集和嵌入维度上系统评估了五种广泛使用的方法——ASNE、DGI、GraphSAGE、node2vec 和 VERSE——评估稳定性从 representational 角度和 functional 角度，并包括性能评估。我们的结果显示，嵌入稳定性随维度变化而显著变化，但我们在所考虑的方法之间观察到不同的模式：虽然某些方法（如 node2vec 和 ASNE）倾向于随维度增加而更稳定，但其他方法则不表现出相同的趋势。此外，我们发现最大稳定性并不一定与最佳任务性能一致。这些发现突显了仔细选择嵌入维度的重要性，并为在图表示学习中在稳定性、性能和计算有效性之间的权衡提供了新见解。
引用
@article{arxiv.2604.08492,
title = {The Impact of Dimensionality on the Stability of Node Embeddings},
author = {Tobias Schumacher and Simon Reichelt and Markus Strohmaier},
journal= {arXiv preprint arXiv:2604.08492},
year = {2026}
}