[论文解读] Scalable Graph Neural Network-based framework for identifying critical nodes and links in Complex Networks

Sai Munikoti, Laya Das+1 more|arXiv (Cornell University)|Dec 26, 2020

Complex Network Analysis Techniques参考文献 46被引用 68

一句话总结

该论文提出了一种基于归纳式图神经网络（GNN）的框架 ILGR，通过从少量节点/链路中学习关键性得分，高效识别大规模复杂网络中的关键节点和链路。该模型在 Top-5% 范围内的识别准确率超过 90%，且执行速度比传统迭代方法快多个数量级，实现了在合成网络与真实网络中可扩展且通用的鲁棒性分析。

ABSTRACT

Identifying critical nodes and links in graphs is a crucial task. These nodes/links typically represent critical elements/communication links that play a key role in a system's performance. However, a majority of the methods available in the literature on the identification of critical nodes/links are based on an iterative approach that explores each node/link of a graph at a time, repeating for all nodes/links in the graph. Such methods suffer from high computational complexity and the resulting analysis is also network-specific. To overcome these challenges, this article proposes a scalable and generic graph neural network (GNN) based framework for identifying critical nodes/links in large complex networks. The proposed framework defines a GNN based model that learns the node/link criticality score on a small representative subset of nodes/links. An appropriately trained model can be employed to predict the scores of unseen nodes/links in large graphs and consequently identify the most critical ones. The scalability of the framework is demonstrated through prediction of nodes/links scores in large scale synthetic and real-world networks. The proposed approach is fairly accurate in approximating the criticality scores and offers a significant computational advantage over conventional approaches.

研究动机与目标

• 解决现有迭代方法在大规模图中识别关键节点/链路时计算复杂度高的问题。
• 开发一种通用且可扩展的框架，能够泛化于多种网络类型和鲁棒性度量。
• 通过训练好的 GNN 模型，实现对未见节点/链路的关键性得分快速归纳预测。
• 在保持高识别准确率的同时，显著缩短真实网络与合成网络中关键节点/链路识别的执行时间。
• 通过在结构变化后无需从头开始重新训练，支持动态网络分析，实现实时重预测。

提出的方法

• 在合成图上端到端训练 GNN 模型，从局部子图邻域中学习节点和链路的嵌入表示。
• 在节点/链路嵌入上使用回归头，基于两种鲁棒性度量（有效图电阻 Rg 和加权谱 Ws）预测关键性得分。
• 在少量代表性节点/链路子集上训练模型，以实现对更大图中未见节点/链路的归纳迁移。
• 对于链路，通过可学习聚合层将两个连接节点的嵌入组合生成链路嵌入。
• 采用两阶段框架：(1) 在合成数据上离线训练，(2) 在未见图上进行在线推理，延迟极低。
• 利用 GNN 的归纳偏差，在无需重新训练的情况下泛化于不同网络类型和规模。

实验结果

研究问题

• RQ1 基于 GNN 的归纳模型能否在仅使用少量训练数据的情况下，对多种网络类型中的关键节点/链路实现高准确率预测？
• RQ2 与逐个计算关键性得分的传统迭代方法相比，所提出的 GNN 框架在速度和准确率方面表现如何？
• RQ3 该模型在未参与训练的真实网络上的泛化能力有多强？
• RQ4 与仅基于节点的预测相比，引入链路级嵌入（由节点对生成）是否能提升识别准确率？
• RQ5 随着图规模和复杂度的增加，模型性能如何变化？

主要发现

• 在 PL 合成图上，ILGR 框架对 Rg 的 Top-5% 识别准确率为 91%，对 Ws 为 94%；在 PLC 合成图上，对 Rg 为 97.5%，对 Ws 为 96.1%。
• 在真实网络中，模型保持高准确率：生物酵母网络中 Rg-plc 为 92.6%，Ws-plc 为 95.2%；美国电网网络中 Rg-plc 为 93.1%，Ws-plc 为 94.6%；维基投票网络中 Rg-plc 为 89.6%，Ws-plc 为 92.5%。
• 在 Wiki-Vote 等大规模图上，该方法将执行时间从传统方法的超过 64,000 秒减少至 25 秒以下，实现了多个数量级的速度提升。
• 该模型无需微调即可有效泛化至真实网络，展现出强大的归纳偏差和迁移能力。
• 由于链路嵌入基于成对节点表示，信息更丰富，因此链路识别性能略高于节点识别。
• 该框架计算高效且可扩展，训练时间显著低于传统方法，且在包含最多 50,000 个节点和链路的图上，推理时间仍保持极低水平。