[論文レビュー] A Survey on Network Embedding

Peng Cui, Xiao Wang+2 more|arXiv (Cornell University)|Nov 23, 2017

Complex Network Analysis Techniques参考文献 45被引用数 46

ひとこと要約

本調査は、ネットワーク構造と性質を保持するように学習するノードの低次元ベクトル表現を提供するネットワーク埋め込み手法について包括的な概要を提示する。本調査は、構造および性質の保持手法、付加情報統合、高度な情報モデリングに分類し、動的ネットワーク、双曲空間、異種情報ネットワークといった主な課題と今後の方向性を特定する。

ABSTRACT

Network embedding assigns nodes in a network to low-dimensional representations and effectively preserves the network structure. Recently, a significant amount of progresses have been made toward this emerging network analysis paradigm. In this survey, we focus on categorizing and then reviewing the current development on network embedding methods, and point out its future research directions. We first summarize the motivation of network embedding. We discuss the classical graph embedding algorithms and their relationship with network embedding. Afterwards and primarily, we provide a comprehensive overview of a large number of network embedding methods in a systematic manner, covering the structure- and property-preserving network embedding methods, the network embedding methods with side information and the advanced information preserving network embedding methods. Moreover, several evaluation approaches for network embedding and some useful online resources, including the network data sets and softwares, are reviewed, too. Finally, we discuss the framework of exploiting these network embedding methods to build an effective system and point out some potential future directions.

研究の動機と目的

• 効果的なネットワーク表現のためのネットワーク埋め込み手法の最先端を体系的に分類・レビューすること。
• 現在のアプローチの限界を特定すること、特にペアワイズ関係への依存、付加情報の取り扱いの悪さ、動的または双曲ネットワーク構造への適用不能性。
• 異種ネットワークにおけるネットワークモチーフやメタパスといった高次構造の統合を検討すること。
• スケールフリー分布を示すネットワークにおけるスパースノードの表現の課題に対処すること。
• 今後の研究方向性を提起すること、特に動的ネットワーク埋め込みと非ユークリッド埋め込み空間。

提案手法

• ネットワーク埋め込み手法を3つの主要なグループに分類する：構造および性質の保持、付加情報強化、高度な情報保持手法。
• 古典的なグラフ埋め込みアルゴリズムと現代のネットワーク埋め込み技術との関係をレビューする。
• ノード属性やラベルなどの付加情報を統合する手法を分析する。構造と付加情報の整合性を仮定する。
• 非ユークリッド空間、特に双曲幾何にネットワーク埋め込みを拡張することを提案する。これによりスケールフリーでクラスタリングが強いネットワークをより自然にモデル化できる。
• 異種情報ネットワークにおけるメタパスの使用を検討し、高次構造的制約をエンコードする。
• 評価プロトコルとオープンソースツール（ベンチマークデータセットおよびネットワーク埋め込み用ソフトウェアライブラリ）をレビューする。

実験結果

リサーチクエスチョン

• RQ1 低次元空間において、ネットワーク埋め込みはどのようにして局所的およびグローバルなネットワーク構造を効果的に保持できるか？
• RQ2 付加情報はネットワーク埋め込みの品質をどの程度向上させることができるか？また、構造と付加情報の不整合が性能を低下させる状況はどのようなものか？
• RQ3 ノードの中心性や高次ネットワークモチーフを捉えるためにペアワイズ類似度仮定にどのような限界があるか？
• RQ4 時間経過とともに変化する動的ネットワークにネットワーク埋め込みをどのように適応できるか？
• RQ5 双曲幾何のような非ユークリッド空間は、スケールフリー度分布と強いクラスタリングを示す現実のネットワークをよりよく表現できるか？

主な発見

• 従来のグラフ表現と比較して、ネットワーク埋め込みは高次元でスパースな隣接行列を密度が高く次元が低いベクトルに置き換えることで、計算複雑性を著しく低減し、並列処理の可搬性を向上させる。
• 既存の手法は、ネットワークモチーフやメタパスといった高次構造をモデル化できず、複雑なノード関係を捉える能力に制限がある。
• ネットワーク構造と付加情報の整合性を仮定するが、現実の応用では相関が低いため、この仮定が成り立たない場合、埋め込み性能が低下する。
• スケールフリー分布を示すネットワークにおけるスパースノードは、構造的情報が限られるため不十分に表現され、現在の手法ではこの不均衡を適切に扱っていない。
• 動的ネットワーク埋め込みは依然として大きな課題であり、スケーラブルな進化ネットワークに対しては、各時刻で静的手法を再実行するのは計算的に非現実的である。
• 非ユークリッド空間、特に双曲幾何へのネットワーク埋め込みの拡張は、異種度分布と自然に発生する強いクラスタリングを持つネットワークをモデル化する上で有望である。