[论文解读] Learning Graph Topological Features via GAN

Weiyi Liu, Hal Cooper+5 more|arXiv (Cornell University)|Sep 11, 2017

Topological and Geometric Data Analysis参考文献 13被引用 4

一句话总结

本文提出图拓扑插值器（GTI），一种分层生成对抗网络（GAN）框架，通过社区检测和METIS分区将单个输入图划分为多个阶段，然后在每个阶段训练独立的GAN，以学习局部和全局拓扑特征。GTI分阶段重建图，保留关键结构如枢纽节点和三角形，在保持拓扑保真度方面优于标准GAN和采样方法，其倒数第二阶段在BA和WS网络上的F-范数距离比基线模型低10%–15%。

ABSTRACT

Inspired by the generation power of generative adversarial networks (GANs) in image domains, we introduce a novel hierarchical architecture for learning characteristic topological features from a single arbitrary input graph via GANs. The hierarchical architecture consisting of multiple GANs preserves both local and global topological features and automatically partitions the input graph into representative stages for feature learning. The stages facilitate reconstruction and can be used as indicators of the importance of the associated topological structures. Experiments show that our method produces subgraphs retaining a wide range of topological features, even in early reconstruction stages (unlike a single GAN, which cannot easily identify such features, let alone reconstruct the original graph). This paper is firstline research on combining the use of GANs and graph topological analysis.

研究动机与目标

• 开发一种无监督方法，从单张任意图中学习拓扑特征，而无需事先了解其结构。
• 克服标准GAN在重建复杂图时因陷入局部极小值和特征稀释而导致的局限性。
• 自动识别并分层重建图拓扑，每一层捕捉不同的拓扑特征。
• 证明早期重建阶段能更好地保留关键结构元素，如超枢纽节点和三角形。
• 将GTI的性能与成熟的图采样方法进行比较，评估其在保持拓扑属性方面的表现。

提出的方法

• 分层识别模块使用Louvain算法在多层上检测社区结构，以确定分层层数$L$。
• 分层分区模块应用METIS将每一层划分为$M$个非重叠、固定大小的子图，以确保GAN训练的平衡性。
• 为每一层训练独立的GAN，以学习其子图的拓扑特征，从而实现在无特征稀释情况下的局部特征提取。
• 分层再生模块使用每个GAN的生成器来重建包含$k$个节点的子图，保留子图内部的边，但不保留子图之间的连接。
• 重建按阶段进行，各阶段按拓扑重要性排序，实现图的渐进式恢复。
• 阶段数量在训练过程中非参数化地学习，允许根据图的复杂度自适应调整深度。

实验结果

研究问题

• RQ1 分层GAN架构能否有效从单张输入图中学习并重建局部和全局拓扑特征？
• RQ2 GTI的分阶段重建过程是否比标准GAN或采样方法更好地保留关键结构基序（如三角形和超枢纽节点）？
• RQ3 GTI在早期重建阶段与原始图的拓扑相似性保持得如何，相比基线模型？
• RQ4 GTI能否在无需对图结构做先验假设的情况下自动确定重建阶段的数量？
• RQ5 GTI在保持节点级和全局拓扑相似性方面，与随机图模型和标准采样算法相比表现如何？

主要发现

• GTI在倒数第二阶段与原始BA网络之间的F-范数距离为53.0283，显著低于基线模型的平均值62.9031，表明其具有更优的拓扑保持能力。
• 在BA网络中，倒数第二阶段与原始图的平均节点-节点相似度达到99.9707%，优于基线模型的平均值99.9640%。
• 在Kronecker和WS网络上，倒数第二阶段在F-范数和节点相似度方面与基线模型持平或略有超越，证实其在不同类型网络上的鲁棒性。
• ER网络为随机图，表现略逊于基线模型（F-范数：285.8566 vs. 282.9252），证实GTI在缺乏结构基序的图上存在困难。
• 在可视化对比中，GTI的第一阶段在50个节点的BA子图中成功保留了两个超枢纽节点，而Random Walk和Random Jump未能保留枢纽节点，Forest Fire仅部分保留。
• 在具有密集簇的Facebook数据集上，GTI在保持簇结构和簇间稀疏性方面显著优于所有采样方法。