用于社区检测与节点表示的变分嵌入
机器学习
2021-01-12 v1
摘要
在本文中，我们研究如何同时学习图分析中两个高度相关的任务，即社区检测和节点表示学习。我们提出了一种高效的生成模型 VECoDeR，用于联合学习用于社区检测的变分嵌入（Variational Embeddings）和节点表示（node Representation）。VECoDeR 假设每个节点可以是一个或多个社区的成员。节点嵌入的学习方式使得相连节点不仅彼此“更近”，而且共享相似的社区分配。联合学习框架利用社区感知的节点嵌入来实现更好的社区检测。我们在多个图数据集上证明，VECoDeR 在节点分类、重叠社区检测和非重叠社区检测这三个任务上都有效优于许多有竞争力的基线方法。我们还表明 VECoDeR 计算高效，并且在超参数变化时具有相当鲁棒的性能。
引用
@article{arxiv.2101.03885,
title = {Variational Embeddings for Community Detection and Node Representation},
author = {Rayyan Ahmad Khan and Muhammad Umer Anwaar and Omran Kaddah and Martin Kleinsteuber},
journal= {arXiv preprint arXiv:2101.03885},
year = {2021}
}