[論文レビュー] Spectral Graph Wavelets for Structural Role Similarity in Networks

Claire Donnat, Marinka Žitnik+2 more|arXiv (Cornell University)|Feb 15, 2018

Advanced Graph Neural Networks参考文献 27被引用数 20

ひとこと要約

GraphWave は、スケーラブルで教師なしの手法であり、スペクトルグラフウェーブレットの拡散パターンを用いて、ネットワーク内の構造的役割を捉える低次元ノード埋め込みを学習する。局所的なトポロジーが類似するノードを、手動の特徴工学を一切行わずに、遠く離れたネットワーク領域にすら特定できることで、最先端の手法よりも最大71%の性能向上を達成する。

ABSTRACT

Nodes residing in different parts of a graph can have similar structural roles within their local network topology. The identification of such roles provides key insight into the organization of networks and can also be used to inform machine learning on graphs. However, learning structural representations of nodes is a challenging unsupervised-learning task, which typically involves manually specifying and tailoring topological features for each node. Here we develop GraphWave, a method that represents each node’s local network neighborhood via a low-dimensional embedding by leveraging spectral graph wavelet diffusion patterns. We prove that nodes with similar local network neighborhoods will have similar GraphWave embeddings even though these nodes may reside in very different parts of the network. Our method scales linearly with the number of edges and does not require any hand-tailoring of topological features. We evaluate performance on both synthetic and real-world datasets, obtaining improvements of up to 71% over state-of-the-art baselines.

研究の動機と目的

• 複雑なネットワークにおいて、手動の特徴工学を一切行わずに、構造的に類似したノードを特定する課題に対処すること。
• 複数スケールの拡散パターンを通じて、局所的なネットワークトポロジーを捉えるスケーラブルで教師なしの手法を開発すること。
• 多様なネットワーク領域にわたり、正確な構造的役割の類似性検出を可能にすること。

提案手法

• 各ノードの局所的近傍から生じる拡散パターンをモデル化するために、スペクトルグラフウェーブレットを活用する。
• 複数スケールにわたるウェーブレット応答を集約することで、低次元の埋め込みを構築する。
• グラフラプラシアンのスペクトル分解を用いて、多スケールの構造的情報を捉えるウェーブレットフィルタを定義する。
• 線形にスケーリングするランダム化スケッチ技術を採用することで、大規模なグラフ上でも効率性を確保する。
• すべてのノードに同一のウェーブレットフィルタを適用するため、ノード固有の特徴チューニングの必要性を排除する。

実験結果

リサーチクエスチョン

• RQ1 スペクトルグラフウェーブレットは、手動の特徴設計なしに、多様なネットワークトポロジーにおける構造的役割を効果的に捉えることができるか？
• RQ2 GraphWave埋め込みは、異なるネットワーク領域にわたり、構造的に類似したノードをどれほどうまく一般化して特定できるか？
• RQ3 この手法のスケーラビリティは、グラフのサイズやエッジ数の観点からどうであるか？
• RQ4 構造的役割の類似性を特定するという点で、GraphWaveは最先端の手法と比べてどのように優れているか？

主な発見

• GraphWave は、ベンチマークデータセット上で、既存の最先端手法比で最大71%の構造的役割類似性検出の性能向上を達成する。
• 遠く離れたネットワーク領域に位置するノードであっても、局所的なネットワークトポロジーが類似している場合は、一貫して類似した埋め込みにマッピングされる。
• この手法はエッジ数に対して線形にスケーリングされ、大規模なネットワークへの効率的な適用を可能にする。
• このアプローチは、合成ネットワークおよび実世界のネットワーク（ソーシャル、生物学的、インfra構造など）の両方で、良好に一般化する。