Brücke zwischen Gemeinschafts- und Knotendarstellungen: Graphen-Embedding mittels Gemeinschaftserkennung

Graph-Embedding ist zu einer zentralen Komponente vieler Data-Mining- und Analyse-Systeme geworden. Aktuelle Ansätze zum Graph-Embedding entweder ziehen eine große Anzahl von Knotenpaaren aus einem Graphen, um Knoten-Embeddings mittels stochastischer Optimierung zu lernen, oder faktorisieren eine hochordnungsgerechte Nähe-/Adjazenzmatrix des Graphen mittels rechenintensiver Matrixfaktorisierungstechniken. Diese Ansätze erfordern typischerweise erhebliche Ressourcen für den Lernprozess und sind von mehreren Parametern abhängig, was ihre praktische Anwendbarkeit einschränkt. Darüber hinaus funktionieren die meisten bestehenden Graph-Embedding-Techniken nur in einem spezifischen Metrikräumen effektiv (z. B. dem durch Kosinus-Ähnlichkeit erzeugten Raum), bewahren keine höheren strukturellen Merkmale des Eingabegraphen und können die Anzahl sinnvoller Embedding-Dimensionen nicht automatisch bestimmen. Die resultierenden Embeddings sind in der Regel nicht leicht interpretierbar, was weitere Analysen erschwert und ihre Anwendbarkeit einschränkt. Um diese Probleme zu lösen, stellen wir DAOR vor – eine hocheffiziente, parameterfreie Graph-Embedding-Technik, die metrischraumrobuste, kompakte und interpretierbare Embeddings ohne jegliche manuelle Abstimmung erzeugt. Im Vergleich zu einem Dutzend state-of-the-art-Graph-Embedding-Algorithmen erzielt DAOR wettbewerbsfähige Ergebnisse sowohl bei der Knotenklassifizierung (die von hochordneter Nähe profitiert) als auch bei der Link-Vorhersage (die hauptsächlich von niedriger Ordnung Nähe abhängt). Im Gegensatz zu bestehenden Techniken erfordert DAOR jedoch keine Parameterabstimmung und beschleunigt die Erzeugung von Embeddings um mehrere Größenordnungen. Unser Ansatz verfolgt daher das Ziel, Datenanalyseaufgaben, die graphbasierte Repräsentationslernverfahren beinhalten, erheblich zu vereinfachen und zu beschleunigen.