要約
「二値化属性付きネットワーク埋め込み（Binarized Attributed Network Embedding）」の実装。属性付きネットワーク埋め込みは、ノード間のリンクと属性を同時に表現学習することを可能にする。従来の属性付きネットワーク埋め込みモデルは、連続的なユークリッド空間上に設計されており、しばしばデータの冗長性を引き起こし、ストレージおよび計算コストの面で課題をもたらす。このような問題に対処するため、本研究では二値ノード表現を学習可能な「二値化属性付きネットワーク埋め込みモデル（BANE: Binarized Attributed Network Embedding）」を提案する。具体的には、層ごとのアプローチにより、隣接ノードの属性およびリンク情報をターゲットノードに集約することで、ノードのリンクと属性間のデータ依存性を捉える新たなワイズファイラー・レーマン近接行列（Weisfeiler-Lehman proximity matrix）を定義する。このワイズファイラー・レーマン近接行列を基に、二値ノード表現の制約のもとで新たなワイズファイラー・レーマン行列分解学習関数を構築する。この学習問題は混合整数最適化問題であり、効率的な循環座標降下法（Cyclic Coordinate Descent, CCD）を解法として用いる。実世界のデータセットを用いたノード分類およびリンク予測の実験結果から、提案するBANEモデルが最先端のネットワーク埋め込み手法を上回る性能を示した。