複雑な実際のネットワークから学習することは、情報量が豊富で低次元のネットワークノード表現を学習する最近の進歩により、活発な研究分野となっています。しかし、最先端の手法は必ずしも解釈可能ではなく、バイアス検出が重要な医療やユーザープロファイリングなどの敏感な設定では完全に適用できないことがあります。提案されたSNoRe（Symbolic Node Representations）アルゴリズムは、近傍ハッシュの類似性に基づいて個々のネットワークノードの象徴的かつ人間が理解できる表現を学習することができます。SNoReの解釈可能な特徴量は、個々の予測を直接説明するために適しており、これをSHAPという広く使用されているインスタンス説明ツールと組み合わせて、特定の分類に対する各特徴量の重要性を表すノモグラムを得ることを示しています。当該研究では、構造的なノード埋め込み設定におけるこのような試みが初めてであると認識されています。11つの実際のデータセットでの実験評価において、SNoReは変分グラフオートエンコーダーやnode2vec、LINEなどの強力な基準モデルと競合することが証明されました。ベクトル化されたSNoReの実装は大規模なネットワークにも対応できることから、現代的なネットワーク学習や分析タスクに適していると言えます。