Intégration gaussienne de graphes attribués à grande échelle

Les méthodes d’embedding de graphes transforment les contenus de graphes complexes et de haute dimension en représentations à faible dimension. Elles s’avèrent utiles pour une large gamme de tâches d’analyse de graphes, notamment la prédiction de liens, la classification de nœuds, la recommandation et la visualisation. La plupart des approches existantes représentent les nœuds de graphe sous forme de vecteurs ponctuels dans un espace d’embedding à faible dimension, tout en ignorant l’incertitude inhérente aux graphes du monde réel. Par ailleurs, de nombreux graphes du monde réel sont à grande échelle et riches en contenu (par exemple, en attributs de nœuds). Dans ce travail, nous proposons GLACE, une nouvelle méthode d’embedding de graphes, évolutif et efficace, qui préserve de manière intégrée et end-to-end à la fois la structure du graphe et les attributs des nœuds. GLACE modélise efficacement l’incertitude à l’aide d’embeddings gaussiens et permet une inférence inductive sur de nouveaux nœuds basée sur leurs attributs. Dans nos expériences approfondies, nous évaluons GLACE sur des graphes du monde réel, et les résultats démontrent que GLACE surpasse significativement les méthodes d’embedding les plus avancées sur plusieurs tâches d’analyse de graphes.