[论文解读] Community Detection with Graph Neural Networks

Joan Bruna, Xiang Li|arXiv (Cornell University)|May 23, 2017

Complex Network Analysis Techniques参考文献 38被引用 52

一句话总结

该论文提出了一种数据驱动的图神经网络（GNN）框架用于社区检测，实现了此前仅通过谱方法或概率模型才能达到的最优检测阈值，且无需依赖底层生成模型或参数假设。该方法可推广至现实世界图结构，在计算步骤更少的情况下，优于刚性参数化模型。

ABSTRACT

We study data-driven methods for community detection in graphs. This estimation problem is typically formulated in terms of the spectrum of certain operators, as well as via posterior inference under certain probabilistic graphical models. Focusing on random graph families such as the Stochastic Block Model, recent research has unified these two approaches, and identified both statistical and computational signal-to-noise detection thresholds. We embed the resulting class of algorithms within a generic family of graph neural networks and show that they can reach those detection thresholds in a purely data-driven manner, without access to the underlying generative models and with no parameter assumptions. The resulting model is also tested on real datasets, requiring less computational steps and performing significantly better than rigid parametric models.

研究动机与目标

• 通过数据驱动的图神经网络，弥合谱方法与概率方法在社区检测中的差距。
• 在不依赖已知生成模型的前提下，实现社区检测中的统计与计算检测阈值。
• 开发一种灵活、无参数的GNN框架，适用于现实世界图结构，且计算开销极低。
• 在真实数据集上测试该方法，并证明其在性能上优于刚性参数化模型。

提出的方法

• 该框架将社区检测算法嵌入到一类通用图神经网络（GNN）中，利用可学习的消息传递机制。
• 它利用从随机块模型（SBM）推导出的理论信噪比阈值作为GNN的性能目标。
• GNN在图数据上进行端到端训练，无需访问真实生成模型或模型参数。
• 该架构设计为对图结构和节点标签不变，确保在各类图族中的鲁棒性。
• 该方法利用多层GNN学习到的节点表示来预测社区归属。
• 通过对比学习或自监督学习优化训练目标，以在无监督条件下提升表示质量。

实验结果

研究问题

• RQ1 在未访问模型参数或生成过程的情况下，数据驱动的GNN框架能否实现随机块模型（SBM）的理论检测阈值？
• RQ2 在现实世界图结构上，基于GNN的社区检测方法与传统谱方法和参数化概率模型相比，性能如何？
• RQ3 GNN在保持最优检测性能的前提下，能在多大程度上泛化至不同图族？
• RQ4 与现有方法相比，所提出的GNN框架在收敛速度和推理成本方面的计算效率如何？

主要发现

• 所提出的GNN框架实现了社区检测的理论信噪比检测阈值，性能与基于模型的方法相当。
• 该方法在无需对底层生成模型或参数设置做假设的情况下，可推广至现实世界图结构。
• 在真实数据集上，GNN在准确率和鲁棒性方面优于刚性参数化模型。
• 该框架所需的计算步骤少于传统方法，同时保持或提升了检测性能。
• 该模型在各类图族中表现稳定，展现出强大的泛化能力。
• 该方法在无需显式监督或SBM参数知识的情况下实现最优检测，凸显其数据驱动本质。