Joint Optimal Transport and Embedding for Network Alignment

要約

さまざまなネットワーク全体でノード対応を見つけることを目的としたネットワークアライメントは、さまざまな下流のマルチネットワークおよびWebマイニングタスクの基礎です。
埋め込みベースのメソッドのほとんどは、手作りの戦略からサンプリングされた正と負のノードのペアを対照的にモデル化することにより、グラフノードに対して脆弱でノードの潜在的な誤整列につながることにより、間接的にモデル化されたネットワークノード関係を間接的にモデル化します。
最適輸送（OT）理論に基づく別の作業ラインは、ネットワークのノードとの関係を直接モデル化し、ノイズ削減アライメントを生成します。
ただし、OTメソッドは、エンドツーエンドのトレーニングを禁止し、一般化するのが難しい、固定された事前定義されたコスト関数に大きく依存しています。
この論文では、埋め込みとOTベースの方法を相互に有益な方法で統一し、ジョーナというネットワークアライメントのための共同最適な輸送と埋め込みフレームワークを提案することを目指しています。
1つのこと（埋め込みのためのOT）、シンプルで効果的な変換を通じて、ノイズ削減OTマッピングは、堅牢な埋め込み学習のためにすべてのクロスネットワークノードペアを直接モデル化する適応サンプリング戦略として機能します。
統一された目的では、両方の方法の相互利益は、保証された収束を伴う交互の最適化スキーマによって達成できます。
現実世界のネットワークに関する広範な実験は、Joenaの有効性とスケーラビリティを検証し、最先端のアライメント方法と比較してMRRの最大16％の改善と20倍のスピードアップを達成します。

要約(オリジナル)

Network alignment, which aims to find node correspondence across different networks, is the cornerstone of various downstream multi-network and Web mining tasks. Most of the embedding-based methods indirectly model cross-network node relationships by contrasting positive and negative node pairs sampled from hand-crafted strategies, which are vulnerable to graph noises and lead to potential misalignment of nodes. Another line of work based on the optimal transport (OT) theory directly models cross-network node relationships and generates noise-reduced alignments. However, OT methods heavily rely on fixed, pre-defined cost functions that prohibit end-to-end training and are hard to generalize. In this paper, we aim to unify the embedding and OT-based methods in a mutually beneficial manner and propose a joint optimal transport and embedding framework for network alignment named JOENA. For one thing (OT for embedding), through a simple yet effective transformation, the noise-reduced OT mapping serves as an adaptive sampling strategy directly modeling all cross-network node pairs for robust embedding learning.For another (embedding for OT), on top of the learned embeddings, the OT cost can be gradually trained in an end-to-end fashion, which further enhances the alignment quality. With a unified objective, the mutual benefits of both methods can be achieved by an alternating optimization schema with guaranteed convergence. Extensive experiments on real-world networks validate the effectiveness and scalability of JOENA, achieving up to 16% improvement in MRR and 20x speedup compared with the state-of-the-art alignment methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google