HyperAIHyperAI
vor 15 Tagen

Unüberwachte Graphenrepräsentationslernen mit induktivem flachem Knotenembedding

{Gábor Szűcs, Richárd Kiss}
Abstract

Die Netzwerkwissenschaft hat in den letzten Jahren eine deutliche Zunahme an Beliebtheit erfahren, getrieben durch die transformative Kraft der Knotenrepräsentationslernung für vielfältige Anwendungen wie die Analyse sozialer Netzwerke oder die Modellierung biologischer Systeme. Während shallow embedding-Algorithmen hervorragend in der Erfassung der Netzwerkstruktur sind, weisen sie eine kritische Einschränkung auf: Sie können sich nicht auf bisher unbekannte Knoten verallgemeinern. Dieser Herausforderung widmet sich die vorliegende Arbeit durch die Einführung von Inductive Shallow Node Embedding als zentrales Beitrag – eine bahnbrechende Methode, die shallow embeddings auf den Bereich induktiven Lernens erweitert. Dabei präsentiert sie eine neuartige Encoder-Architektur, die die lokale Nachbarschaftsstruktur jedes Knotens effektiv erfassen kann, wodurch eine zuverlässige Generalisierung auf unbekannte Knoten ermöglicht wird. Bei der Generalisierung ist Robustheit entscheidend, um eine Leistungsverschlechterung infolge von Rauschen im Datensatz zu vermeiden. Theoretisch konnte gezeigt werden, dass die Kovarianz des additiven Rauschterms im vorgeschlagenen Modell umgekehrt proportional zur Kardinalität der Nachbarn eines Knotens ist. Ein weiterer Beitrag ist die Herleitung einer mathematischen unteren Schranke zur Quantifizierung der Robustheit von Knotenrepräsentationen, die deren Vorteil gegenüber herkömmlichen shallow embedding-Methoden, insbesondere unter Einfluss von Parameter-Rauschen, belegt. Die vorgeschlagene Methode zeigt in dynamischen Netzwerken deutliche Überlegenheit und erreicht auf bisher unbekannten Knoten konsequent Leistungen von über 90 % im Vergleich zu den während des Trainings gelernten Knoten auf verschiedenen Benchmarks. Die empirische Evaluation zeigt, dass das vorgeschlagene Verfahren im Großteil der untersuchten Datensätze sowohl bei transduktiven als auch bei induktiven Aufgaben gegenüber konkurrierenden Methoden übertrifft.

Unüberwachte Graphenrepräsentationslernen mit induktivem flachem Knotenembedding | Neueste Forschungsarbeiten | HyperAI