SNoRe: Skalierbares unüberwachtes Lernen von symbolischen Knotendarstellungen

Das Lernen aus komplexen realen Netzwerken ist ein lebhaftes Forschungsgebiet, bei dem es in den letzten Jahren zu Fortschritten bei der Erstellung informationsreicher, niedrigdimensionaler Netzwerkknotendarstellungen kam. Allerdings sind die neuesten Methoden nicht unbedingt interpretierbar und daher nicht vollständig auf sensible Bereiche wie biomedizinische oder Benutzerprofiling-Aufgaben anwendbar, wo die explizite Erkennung von Verzerrungen von hoher Relevanz ist. Der vorgeschlagene SNoRe-Algorithmus (Symbolic Node Representations) ist in der Lage, symbolische, für Menschen verständliche Darstellungen einzelner Netzwerkknoten zu erlernen, basierend auf der Ähnlichkeit von Nachbarschaftshashes, die als Merkmale dienen. Die interpretierbaren Merkmale von SNoRe eignen sich zur direkten Erklärung individueller Vorhersagen, was wir durch die Kombination mit dem weit verbreiteten Instanzerklärungstool SHAP demonstrieren, um Nomogramme zu erstellen, die die Relevanz einzelner Merkmale für eine bestimmte Klassifizierung darstellen. Nach unserem Wissen handelt es sich dabei um einen der ersten solchen Versuche im Kontext struktureller Knoteneinbettungen. In der experimentellen Auswertung an elf realen Datensätzen zeigte SNoRe eine Wettbewerbsfähigkeit gegenüber starken Baselines wie variationellen Graph-Autoencodern, node2vec und LINE. Die vektorisierte Implementierung von SNoRe skaliert auf große Netzwerke, wodurch sie für moderne Netzwerk-Lern- und Analyseaufgaben geeignet ist.