초록
복잡한 실제 네트워크에서 학습하는 것은 최근 정보가 풍부하고 저차원의 네트워크 노드 표현을 학습하는 데 있어 진전이 이루어진 활발한 연구 분야입니다. 그러나 최신 방법들은 반드시 해석 가능하지는 않아, 의료 생물학적 또는 사용자 프로파일링 작업과 같은 민감한 환경에서는 완전히 적용할 수 없으며, 이들 환경에서는 명시적인 편향 검출이 매우 중요합니다. 제안된 SNoRe (Symbolic Node Representations) 알고리즘은 노드의 유사성 해시를 특징으로 사용하여 개별 네트워크 노드의 기호적이고 인간이 이해할 수 있는 표현을 학습할 수 있습니다. SNoRe의 해석 가능한 특징은 개별 예측에 대한 직접적인 설명에 적합하며, 이를 SHAP라는 광범위하게 사용되는 인스턴스 설명 도구와 결합하여 특정 분류에 대한 개별 특징의 관련성을 나타내는 명법도를 얻는 것을 통해 시연하였습니다. 우리 지식으로는 이는 구조적 노드 임베딩 설정에서 이러한 시도 중 가장 처음인 것으로 알려져 있습니다. 11개의 실제 데이터셋을 대상으로 한 실험 평가에서 SNoRe는 변분 그래프 오토인코더, node2vec 및 LINE와 같은 강력한 베이스라인들과 비교해 경쟁력을 보였습니다. SNoRe의 벡터화된 구현은 큰 규모의 네트워크에도 확장 가능하여 현대적인 네트워크 학습 및 분석 작업에 적합합니다.