Adversarisch regularisierter Graph-Autoencoder für Graph-Embedding

Graph-Embedding ist eine effektive Methode, um Graphendaten in einem niedrigdimensionalen Raum für die Analyse von Graphen darzustellen. Die meisten existierenden Einbettungsalgorithmen konzentrieren sich in der Regel darauf, die topologische Struktur oder die Rekonstruktionsfehler von Graphendaten zu bewahren oder zu minimieren, ignorieren aber in der Regel die Datenverteilung der latenten Codes aus den Graphen, was oft zu mangelhaften Einbettungen in realen Graphendaten führt. In dieser Arbeit schlagen wir einen neuen adversären Graph-Embedding-Rahmen vor. Dieser Rahmen kodiert sowohl die topologische Struktur als auch den Knoteninhalt eines Graphen in eine kompakte Darstellung, auf der ein Dekoder trainiert wird, um die Graphstruktur wiederherzustellen. Darüber hinaus wird durch ein adversäres Trainingsverfahren sichergestellt, dass die latente Darstellung einer vorgegebenen Verteilung entspricht. Um eine robuste Einbettung zu erlernen, werden zwei Varianten adversärer Ansätze entwickelt: der adversarisch regularisierte Graph-Autoencoder (ARGA) und der adversarisch regularisierte variationelle Graph-Autoencoder (ARVGA). Experimentelle Studien an realen Graphen bestätigen unser Konzept und zeigen, dass unsere Algorithmen in den Aufgaben Link-Vorhersage, Graphclustering und Visualisierung von Graphen deutlich bessere Ergebnisse als Baseline-Methoden erzielen.