要約
グラフ埋め込み手法は、高次元かつ複雑なグラフ構造を低次元の表現に変換するものであり、リンク予測、ノード分類、推薦システム、可視化など、幅広いグラフ解析タスクに有用である。既存の多くの方針は、グラフのノードを低次元埋め込み空間内の点ベクトルとして表現するが、現実のグラフに内在する不確実性を無視している。さらに、多くの現実世界のグラフは大規模かつ豊富なコンテンツ（例：ノード属性）を有している。本研究では、構造情報とノード属性の両方をエンド・トゥ・エンドで効果的かつ効率的に保持できる、新規かつスケーラブルなグラフ埋め込み手法であるGLACEを提案する。GLACEはガウス埋め込みを用いて不確実性を効果的にモデル化し、ノード属性に基づく新しいノードに対する誘導的推論（inductive inference）をサポートする。包括的な実験を通じて、実世界のグラフデータ上でGLACEを評価した結果、複数のグラフ解析タスクにおいて、最先端の埋め込み手法を顕著に上回ることが示された。