A Hybrid Membership Latent Distance Model for Unsigned and Signed Integer Weighted Networks

要約

グラフ表現学習 (GRL) は、ネットワークの埋め込み、リンク予測、およびノー​​ド分類のためのツールを提供する、複雑なネットワークの理解を促進するための著名なツールとなっています。
この論文では、潜在距離モデル (LDM) が潜在単体にどのように制約されるかを調査することにより、ハイブリッド メンバーシップ-潜在距離モデル (HM-LDM) を提案します。
単体の角のエッジ長を制御することにより、潜在空間の体積を体系的に制御できます。
これにより、スペースがより制限されるにつれてコミュニティが明らかになり、シンプレックス ボリュームがゼロになるとハード メンバーシップが回復されます。
さらに、署名付き重み付けネットワークを考慮して、HM-LDM を署名付きハイブリッド メンバーシップ潜在距離モデル (sHM-LDM) に拡張するために、Skellam 分布を利用した署名付きネットワークの最近の尤度定式化を調査します。
重要なのは、誘導尤度関数は、正のリンクを持つノードを明示的に引き付け、ノードが負の相互作用を持つことを阻止することです。
いくつかの実際のネットワーク上で HM-LDM と sHM-LDM の有用性を実証します。
この手順では、顕著な個別の構造と、ノードが抽出された側面にどのように関係しているかを首尾よく特定し、顕著なベースラインと比較した場合、リンク予測の点で有利なパフォーマンスを提供することがわかりました。
さらに、学習されたソフト メンバーシップにより、明確なパターンを強調表示する、簡単に解釈できるネットワークの視覚化が可能になります。

要約(オリジナル)

Graph representation learning (GRL) has become a prominent tool for furthering the understanding of complex networks providing tools for network embedding, link prediction, and node classification. In this paper, we propose the Hybrid Membership-Latent Distance Model (HM-LDM) by exploring how a Latent Distance Model (LDM) can be constrained to a latent simplex. By controlling the edge lengths of the corners of the simplex, the volume of the latent space can be systematically controlled. Thereby communities are revealed as the space becomes more constrained, with hard memberships being recovered as the simplex volume goes to zero. We further explore a recent likelihood formulation for signed networks utilizing the Skellam distribution to account for signed weighted networks and extend the HM-LDM to the signed Hybrid Membership-Latent Distance Model (sHM-LDM). Importantly, the induced likelihood function explicitly attracts nodes with positive links and deters nodes from having negative interactions. We demonstrate the utility of HM-LDM and sHM-LDM on several real networks. We find that the procedures successfully identify prominent distinct structures, as well as how nodes relate to the extracted aspects providing favorable performances in terms of link prediction when compared to prominent baselines. Furthermore, the learned soft memberships enable easily interpretable network visualizations highlighting distinct patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google