[论文解读] Can GAN Learn Topological Features of a Graph?

Weiyi Liu, Pin‐Yu Chen+4 more|arXiv (Cornell University)|Jul 19, 2017

Topological and Geometric Data Analysis参考文献 17被引用 5

一句话总结

本文提出图拓扑插值器（GTI），一种基于生成对抗网络（GAN）的新框架，通过在基于分层社区结构划分的子图上分别训练 GAN，学习任意图的分层、有序重建过程。GTI 成功捕捉并排序了诸如度分布、星型结构和社区组织等拓扑特征，表明 GAN 不仅可超越简单特征提取，还能建模复杂图拓扑，为图拓扑分析提供一种通用的、无需模型假设的方法。

ABSTRACT

This paper is first-line research expanding GANs into graph topology analysis. By leveraging the hierarchical connectivity structure of a graph, we have demonstrated that generative adversarial networks (GANs) can successfully capture topological features of any arbitrary graph, and rank edge sets by different stages according to their contribution to topology reconstruction. Moreover, in addition to acting as an indicator of graph reconstruction, we find that these stages can also preserve important topological features in a graph.

研究动机与目标

• 解决缺乏一种通用、无需模型假设的方法来捕捉任意图中拓扑特征的问题，特别是在真实图同时具备多种拓扑模型（如无标度与小世界特性）时。
• 克服现有图分析工具对预设拓扑结构敏感且在图呈现混合或未知结构特征时失效的局限性。
• 开发一种框架，自动识别并排序边对拓扑重建的贡献，从而解释哪些边对结构完整性最为关键。
• 证明 GAN 可被有效适配用于图拓扑分析，突破其在图像生成中的应用，扩展至具有分层连接结构的结构化数据。
• 提供一种保留局部与全局拓扑特征的重建过程，通过有序的图重建阶段实现可解释性。

提出的方法

• 应用 Louvain 算法识别输入图中的分层社区层级，以社区数量为分层依据。
• 使用 METIS 将每个分层社区划分为非重叠子图，确保 GAN 训练的输入尺寸一致。
• 在每个子图层级上分别训练 GAN：生成器采用两层全连接层与两层转置卷积层，判别器采用两层卷积层与两层全连接层。
• 使用 Leaky ReLU 激活函数与批归一化，替代 ReLU 与最大池化，以保留边缺失（零值）信息并保持特征完整性。
• 采用 ADAM 优化器，学习率为 0.0002，训练 1000 次迭代，遵循 DCGAN 的损失函数与优化策略。
• 将所有层级的输出组合，生成有序的重建阶段，每个阶段对应一组按其对拓扑重建贡献度排序的边。

实验结果

研究问题

• RQ1 GAN 是否能被有效适配以学习并重建任意图中的拓扑特征，即使图呈现混合或未知的结构模型？
• RQ2 将图通过社区层级分解与子图划分，是否能使 GAN 以有意义且可解释的方式捕捉并排序边对拓扑的贡献？
• RQ3 GTI 生成的重建阶段是否在多种图类型中均能保留关键拓扑特征，如度分布、社区结构与星型模式？
• RQ4 GTI 的无监督、端到端方法相较于传统图采样方法，在保持结构完整性和关键特征方面表现如何？
• RQ5 GTI 的有序重建阶段是否可作为复杂真实网络中边重要性的可靠指标，即使在结构复杂的情况下？

主要发现

• GTI 在所有重建阶段均成功重建了合成图（ER、BA、WS、Kron）的度分布，最终阶段与原始图高度一致；即使在第一阶段删除高达 95.7% 的边（如 ER 网络），仍能保留峰值特征。
• 对于 WS 和 Kron 网络的子图，第一阶段重建已能捕捉关键结构模式，如高连接度节点与星型结构，表明早期识别出拓扑重要性。
• 在真实网络（Wiki-vote 与 Facebook）中，GTI 的第一阶段保留了以最高度节点为中心的星型结构，表明其有效识别出核心拓扑元素。
• 视觉对比显示，在 Facebook 的 20 和 50 个节点子图中，GTI 的第一阶段在保留星型结构方面优于随机游走、随机跳跃与森林火灾采样方法，即使采样规模相同。
• GTI 的无监督特性使其无需预先了解图结构即可检测聚类与结构特征，而采样方法需在聚类间初始化。
• 分层、多阶段的重建过程表明，对局部模式（如枢纽节点、密集簇）有贡献的边被更早学习，证实重建阶段可作为拓扑重要性的可解释指标。