[论文解读] Graph Neural Network Encoding for Community Detection in Attribute Networks

Jianyong Sun, Wei Zheng+2 more|arXiv (Cornell University)|Jun 6, 2020

Complex Network Analysis Techniques参考文献 75被引用 5

一句话总结

本文提出了一种图神经网络（GNN）编码方法，将属性网络中的离散社区检测问题转化为连续优化问题，从而使得多目标进化算法能够更高效地运行。通过将边编码为连续变量，并利用非线性变换生成离散的社区分配，该方法使适应度景观更加平滑，在具有单属性和多属性结构的真实网络中，显著优于现有的进化与非进化算法。

ABSTRACT

In this paper, we first propose a graph neural network encoding method for multiobjective evolutionary algorithm to handle the community detection problem in complex attribute networks. In the graph neural network encoding method, each edge in an attribute network is associated with a continuous variable. Through non-linear transformation, a continuous valued vector (i.e. a concatenation of the continuous variables associated with the edges) is transferred to a discrete valued community grouping solution. Further, two objective functions for single- and multi-attribute network are proposed to evaluate the attribute homogeneity of the nodes in communities, respectively. Based on the new encoding method and the two objectives, a multiobjective evolutionary algorithm (MOEA) based upon NSGA-II, termed as continuous encoding MOEA, is developed for the transformed community detection problem with continuous decision variables. Experimental results on single- and multi-attribute networks with different types show that the developed algorithm performs significantly better than some well-known evolutionary and non-evolutionary based algorithms. The fitness landscape analysis verifies that the transformed community detection problems have smoother landscapes than those of the original problems, which justifies the effectiveness of the proposed graph neural network encoding method.

研究动机与目标

• 解决在同时需优化网络拓扑结构与节点属性同质性的复杂属性网络中进行社区检测的挑战。
• 通过将问题转化为连续域，克服进化算法中离散搜索空间的局限性。
• 开发一种新型编码方法，在保留结构与属性信息的同时实现高效优化。
• 在具有不同属性类型与社区结构的真实网络上，评估所提方法的有效性。
• 证明转换后的问题具有更平滑的适应度景观，从而提升搜索效率。

提出的方法

• 提出一种基于图神经网络的编码方法，其中每条边关联一个连续变量，形成网络的连续向量表示。
• 应用非线性变换将连续向量转换为离散的社区分配，实现在连续空间中的离散优化。
• 引入两个新目标函数：一个用于单属性同质性，另一个用于多属性相似性，同时保留用于网络结构的模块度。
• 基于NSGA-II开发一种连续编码多目标进化算法（CE-MOEA），采用新编码与新目标函数。
• 采用适应度景观分析，比较原始离散问题与转换后连续问题的平滑程度。
• 使用具有与不具有真实标签的真实网络，评估所提方法在先进多目标进化算法（MOEA）与非进化算法上的性能。

实验结果

研究问题

• RQ1 基于GNN的编码方法能否有效将离散社区检测问题转化为连续优化问题？
• RQ2 与原始离散问题相比，所提出的编码方法是否带来更平滑的适应度景观？
• RQ3 所提CE-MOEA在属性网络上的性能与现有MOEA及非EA算法相比如何？
• RQ4 新编码在多大程度上提升了对结构社区与属性同质性的检测能力？
• RQ5 该方法能否在具有不同属性类型与社区结构的网络上实现良好泛化？

主要发现

• 所提出的GNN编码方法成功将离散社区检测问题转化为连续搜索空间，从而实现更高效的优化。
• 适应度景观分析表明，转换后的问题具有显著更平滑的景观，与最优解距离和目标值之间的相关系数相比原始问题最高降低50%。
• CE-MOEA在性能上优于MOEA-SA与MOGA-@Net——两者均基于NSGA-II——证明了所提编码方法的优势。
• 在具有单属性与多属性结构的真实网络中，CE-MOEA在模块度与属性同质性指标上均表现出更优性能。
• 该方法无需预先输入社区数量，相较于许多非进化方法具有更高的实际应用价值。
• 结果证实，连续编码能够实现更高效的搜索空间探索，从而获得更高质量的社区检测结果。