Robustness of graph embedding methods for community detection

要約

この研究では、ネットワークの摂動、特にエッジの削除に直面した場合のコミュニティ検出のためのグラフ埋め込み法の堅牢性を調査します。
ノードを低次元ベクトルとして表すグラフ埋め込み手法は、ネットワークの構造特性を効果的にキャプチャできるため、さまざまなグラフ機械学習タスクに広く使用されています。
ただし、これらの手法のパフォーマンスに対する摂動の影響については、まだ比較的研究が進んでいません。
この研究では、行列因数分解 (LE、LLE、HOPE、M-NMF など) とランダム ウォーク ベース (DeepWalk、LINE、node2vec など) の 2 つのファミリーの最先端のグラフ埋め込み手法を検討しています。
この研究では、合成ネットワークと現実世界のネットワークの両方で行われた実験を通じて、グラフ埋め込み手法の各ファミリー内での堅牢性の程度が異なることが明らかになりました。
堅牢性は、ネットワークのサイズ、初期のコミュニティ分割強度、摂動の種類などの要因に影響されることがわかっています。
特に、node2vec と LLE は、度合いやコミュニティ サイズが異質なネットワークなど、さまざまなシナリオにわたってコミュニティ検出に対する高い堅牢性を一貫して示しています。
これらの発見は、特に摂動に対する堅牢性が重要なシナリオでは、ネットワークの特定の特性と当面のタスクに基づいて適切なグラフ埋め込み方法を選択することの重要性を強調しています。

要約(オリジナル)

This study investigates the robustness of graph embedding methods for community detection in the face of network perturbations, specifically edge deletions. Graph embedding techniques, which represent nodes as low-dimensional vectors, are widely used for various graph machine learning tasks due to their ability to capture structural properties of networks effectively. However, the impact of perturbations on the performance of these methods remains relatively understudied. The research considers state-of-the-art graph embedding methods from two families: matrix factorization (e.g., LE, LLE, HOPE, M-NMF) and random walk-based (e.g., DeepWalk, LINE, node2vec). Through experiments conducted on both synthetic and real-world networks, the study reveals varying degrees of robustness within each family of graph embedding methods. The robustness is found to be influenced by factors such as network size, initial community partition strength, and the type of perturbation. Notably, node2vec and LLE consistently demonstrate higher robustness for community detection across different scenarios, including networks with degree and community size heterogeneity. These findings highlight the importance of selecting an appropriate graph embedding method based on the specific characteristics of the network and the task at hand, particularly in scenarios where robustness to perturbations is crucial.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google