[论文解读] Machine learning meets network science: dimensionality reduction for fast and efficient embedding of networks in the hyperbolic space

Josephine Maria Thomas, Alessandro Muscoloni+3 more|arXiv (Cornell University)|Feb 21, 2016

Complex Network Analysis Techniques参考文献 49被引用 45

一句话总结

本文提出了一种新颖的机器学习方法，通过非线性无监督降维技术，利用一种称为角共聚（angular coalescence）的现象，快速将大规模网络嵌入双曲空间，通过近似节点的角坐标实现。该方法即使在节点数达数千个的图上，也能实现快速、准确且可扩展的双曲网络嵌入，显著优于现有方法的效率，同时保持了网络的拓扑结构。

ABSTRACT

Complex network topologies and hyperbolic geometry seem specularly connected, and one of the most fascinating and challenging problems of recent complex network theory is to map a given network to its hyperbolic space. The Popularity Similarity Optimization (PSO) model represents - at the moment - the climax of this theory. It suggests that the trade-off between node popularity and similarity is a mechanism to explain how complex network topologies emerge - as discrete samples - from the continuous world of hyperbolic geometry. The hyperbolic space seems appropriate to represent real complex networks. In fact, it preserves many of their fundamental topological properties, and can be exploited for real applications such as, among others, link prediction and community detection. Here, we observe for the first time that a topological-based machine learning class of algorithms - for nonlinear unsupervised dimensionality reduction - can directly approximate the network's node angular coordinates of the hyperbolic model into a two-dimensional space, according to a similar topological organization that we named angular coalescence. On the basis of this phenomenon, we propose a new class of algorithms that offers fast and accurate coalescent embedding of networks in the hyperbolic space even for graphs with thousands of nodes.

研究动机与目标

• 解决现有双曲网络嵌入方法在大规模网络中计算效率低下的问题。
• 利用网络的拓扑结构，无需显式几何优化即可近似双曲空间中的角坐标。
• 开发一种快速、可扩展且准确的嵌入方法，以保持聚类和幂律度分布等关键网络属性。
• 证明非线性降维技术能够有效将网络拓扑凝聚为类似双曲的表示。

提出的方法

• 该方法应用基于拓扑的机器学习算法——特别是非线性无监督降维技术——将网络节点嵌入二维双曲空间。
• 它识别并利用一种称为“角共聚”的现象，即通过原始网络中的拓扑相似性来近似双曲空间中节点的角位置。
• 该算法通过直接从网络拓扑学习角坐标，绕过了Popularity-Similarity Optimization (PSO) 模型的计算密集型优化过程。
• 它使用流形学习技术，在低维双曲嵌入中保持网络的内在几何结构。
• 该方法通过学习反映节点流行度和相似性的角坐标，将节点映射到二维双曲空间。
• 所得嵌入具有共聚性，即保持了原始网络的层次化和无标度组织结构。

实验结果

研究问题

• RQ1 非线性降维技术是否能在无需显式几何优化的情况下，近似复杂网络中的双曲角坐标？
• RQ2 角共聚现象如何实现快速且准确的双曲网络嵌入？
• RQ3 仅靠拓扑结构在多大程度上能捕捉双曲空间在嵌入中的本质几何特性？
• RQ4 该方法在保持关键拓扑特征的前提下，能否高效扩展至包含数千个节点的大规模网络？
• RQ5 与PSO模型及其他双曲嵌入技术相比，该方法在性能和速度上表现如何？

主要发现

• 所提方法通过拓扑共聚近似角坐标，显著降低了计算成本，实现了快速且准确的双曲网络嵌入。
• 该方法在嵌入中保持了聚类、幂律度分布和层次结构等关键网络属性。
• 该算法能高效扩展至大规模网络，使数千个节点的图具备实际应用可行性。
• 角共聚现象使模型在无需迭代优化PSO模型的情况下，仍能保持拓扑保真度。
• 该嵌入质量与PSO模型相当，但运行时间显著更优。
• 该方法可有效支持下游任务，如链接预测和社区检测，利用所得双曲表示。