Graph Neural Network-Aided Exploratory Learning for Community Detection with Unknown Topology

要約

タイトル：未知のトポロジーを持つコミュニティ検出のためのグラフニューラルネットワーク補助探索学習

要約：

– META-CODEと呼ばれる新しいエンド・トゥ・エンドのソリューションが提供された。
– META-CODEは、容易に収集できるノードメタデータによって支援された探索学習を使用して、未知のトポロジを持つネットワークで重複するコミュニティを検出するためのソリューションである。
– META-CODEには、グラフニューラルネットワーク（GNNs）に基づくノードレベルのコミュニティ所属埋め込み、コミュニティ所属に基づくノードクエリによるネットワーク探索、および探索されたネットワークからのエッジ接続に基づくSiameseニューラルネットワークモデルによるネットワーク推論の3つの反復ステップがある。
– META-CODEは、5つの実世界のデータセットを使用して網羅的な評価を行い、（a）ベンチマークコミュニティ検出方法に対する優位性、（b）ノードクエリの効果を評価するための経験的評価および理論的な発見、（c）各モジュールの影響と（d）計算効率性を示した。

要約(オリジナル)

In social networks, the discovery of community structures has received considerable attention as a fundamental problem in various network analysis tasks. However, due to privacy concerns or access restrictions, the network structure is often unknown, thereby rendering established community detection approaches ineffective without costly network topology acquisition. To tackle this challenge, we present META-CODE, a novel end-to-end solution for detecting overlapping communities in networks with unknown topology via exploratory learning aided by easy-to-collect node metadata. Specifically, META-CODE consists of three iterative steps in addition to the initial network inference step: 1) node-level community-affiliation embeddings based on graph neural networks (GNNs) trained by our new reconstruction loss, 2) network exploration via community affiliation-based node queries, and 3) network inference using an edge connectivity-based Siamese neural network model from the explored network. Through comprehensive evaluations using five real-world datasets, we demonstrate that META-CODE exhibits (a) its superiority over benchmark community detection methods, (b) empirical evaluations as well as theoretical findings to see the effectiveness of our node query, (c) the influence of each module, and (d) its computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI