[论文解读] GCN-GAN: A Non-linear Temporal Link Prediction Model for Weighted Dynamic Networks

Kai Lei, Meng Qin+3 more|arXiv (Cornell University)|Jan 26, 2019

Complex Network Analysis Techniques参考文献 15被引用 10

一句话总结

本文提出GCN-GAN，一种结合图卷积网络（GCN）、长短期记忆网络（LSTM）与生成对抗网络（GAN）的深度学习模型，用于预测动态网络中的加权链接。通过捕捉非线性拓扑与时间模式，该模型在预测未来网络快照方面显著优于当前最先进方法，尤其在处理稀疏性和宽范围边权时表现优异。

ABSTRACT

In this paper, we generally formulate the dynamics prediction problem of various network systems (e.g., the prediction of mobility, traffic and topology) as the temporal link prediction task. Different from conventional techniques of temporal link prediction that ignore the potential non-linear characteristics and the informative link weights in the dynamic network, we introduce a novel non-linear model GCN-GAN to tackle the challenging temporal link prediction task of weighted dynamic networks. The proposed model leverages the benefits of the graph convolutional network (GCN), long short-term memory (LSTM) as well as the generative adversarial network (GAN). Thus, the dynamics, topology structure and evolutionary patterns of weighted dynamic networks can be fully exploited to improve the temporal link prediction performance. Concretely, we first utilize GCN to explore the local topological characteristics of each single snapshot and then employ LSTM to characterize the evolving features of the dynamic networks. Moreover, GAN is used to enhance the ability of the model to generate the next weighted network snapshot, which can effectively tackle the sparsity and the wide-value-range problem of edge weights in real-life dynamic networks. To verify the model's effectiveness, we conduct extensive experiments on four datasets of different network systems and application scenarios. The experimental results demonstrate that our model achieves impressive results compared to the state-of-the-art competitors.

研究动机与目标

• 解决现有时间链接预测方法忽略动态网络中非线性动态与链接权重的局限性。
• 应对在真实世界加权动态网络中同时预测链接存在性与边权的挑战，尤其针对稀疏且广泛变化的边权。
• 构建统一的深度学习框架，通过将动态预测建模为时间链接预测任务，实现对多样化网络系统（如移动性、交通、拓扑）的泛化。
• 通过联合建模拓扑结构与时间演化，提升未来网络快照的表征学习与生成质量。

提出的方法

• 应用GCN从每个独立的网络快照中提取局部拓扑特征，捕捉当前状态下的结构模式。
• 使用LSTM建模网络表征在时间序列上的演化，学习动态网络变化中的长期时间依赖性。
• 集成GAN框架，其中生成器学习生成合理的下一时间步加权网络快照，判别器则区分真实与生成的链接。
• 通过对抗性训练优化生成器，以提升预测边权的真实性与准确性，尤其增强在稀疏性和高动态范围边权分布下的性能。
• 将GCN与LSTM特征联合作为生成器的输入，实现对结构与时间动态的联合建模。
• 使用对抗损失结合重建损失（如MSE、KL散度）优化GAN，以确保预测边权的保真度。

实验结果

研究问题

• RQ1 深度学习模型能否有效预测加权动态网络中未来链接的存在性与权重？
• RQ2 与线性模型相比，非线性模型GCN-GAN在处理真实世界边权的稀疏性与宽值范围问题方面表现如何？
• RQ3 GCN、LSTM与GAN的联合使用在多样化网络系统中对时间链接预测性能的提升程度如何？
• RQ4 GAN中的对抗性训练机制是否显著提升了生成网络快照的质量，尤其是在区分零权与低权边方面？
• RQ5 GCN-GAN在具有不同时间特性与权重特性的多种真实世界数据集上泛化能力如何？

主要发现

• 在UCSB数据集上，GCN-GAN实现最低的均方误差（MSE）0.3247，显著优于所有基线方法，包括LSTM与NMF。
• 在BJ-Taxi数据集上，GCN-GAN取得第二好的MSE（1.3892），同时仍显著优于NMF与SVD等线性模型。
• 在全部四个数据集上，GCN-GAN在边级KL散度与错匹配率方面表现最佳，UCSB数据集错匹配率为0.0133，NumFabric数据集为3e-5。
• 可视化分析显示，GCN-GAN能有效区分零权边（黑色）与低权边（深红色），而LSTM未能保持此区分。
• 该模型在多样化网络系统中表现出强大泛化能力，涵盖数据中心网络（NumFabric）、城市移动性网络（BJ-Taxi）与校园网络（UCSB、KAIST）。
• 对抗性训练机制显著提升了模型生成高质量、真实感强的加权网络快照的能力，尤其在处理稀疏性与非均匀权重分布方面。