[论文解读] Unsupervised Adversarial Graph Alignment with Graph Embedding

Chaoqi Chen, Weiping Xie+6 more|arXiv (Cornell University)|Jul 1, 2019

Advanced Graph Neural Networks参考文献 34被引用 5

一句话总结

本文提出无监督对抗图对齐（UAGA），一种新颖的完全无监督图对齐框架，通过图嵌入与对抗训练实现两图对齐，无需任何锚链接或节点属性。该方法在无监督图对齐任务上达到最先进性能，并与有监督基线方法相当或更优，通过iUAGA中的增量伪标签机制可进一步提升性能。

ABSTRACT

Graph alignment, also known as network alignment, is a fundamental task in social network analysis. Many recent works have relied on partially labeled cross-graph node correspondences, i.e., anchor links. However, due to the privacy and security issue, the manual labeling of anchor links for diverse scenarios may be prohibitive. Aligning two graphs without any anchor links is a crucial and challenging task. In this paper, we propose an Unsupervised Adversarial Graph Alignment (UAGA) framework to learn a cross-graph alignment between two embedding spaces of different graphs in a fully unsupervised fashion (\emph{i.e.,} no existing anchor links and no users' personal profile or attribute information is available). The proposed framework learns the embedding spaces of each graph, and then attempts to align the two spaces via adversarial training, followed by a refinement procedure. We further extend our UAGA method to incremental UAGA (iUAGA) that iteratively reveals the unobserved user links based on the pseudo anchor links. This can be used to further improve both the embedding quality and the alignment accuracy. Moreover, the proposed methods will benefit some real-world applications, \emph{e.g.,} link prediction in social networks. Comprehensive experiments on real-world data demonstrate the effectiveness of our proposed approaches UAGA and iUAGA for unsupervised graph alignment.

研究动机与目标

• 解决缺乏标注节点对应关系或用户属性时的图对齐挑战。
• 开发一种完全无监督的方法，仅利用两图的结构信息。
• 通过对抗训练与迭代优化提升对齐准确率与嵌入质量。
• 将框架扩展至增量设置（iUAGA），逐步揭示高置信度伪锚链接。
• 支持下游应用（如链接预测）并提升性能。

提出的方法

• 首先，对源图与目标图分别独立应用无监督图嵌入，学习节点表示。
• 然后，利用对抗训练学习从源嵌入空间到目标空间的线性映射，以最小化分布差异。
• 通过闭式Procrustes解法在共享嵌入空间中优化对齐，实现精炼步骤。
• 将方法扩展为iUAGA，通过迭代识别并添加高置信度伪锚链接，持续优化嵌入与对齐结果。
• 该框架仅依赖图拓扑结构，无需节点属性或人工标注的对应关系。
• 使用t-SNE可视化展示对齐后域不变表示的形成。

实验结果

研究问题

• RQ1 在无任何标注锚链接或节点属性的情况下，能否有效实现图对齐？
• RQ2 在缺乏监督的情况下，嵌入空间间的对抗训练能否提升跨图对齐效果？
• RQ3 对未观测链接进行迭代伪标签能否同时提升嵌入质量与对齐准确率？
• RQ4 与有监督基线相比，所提方法在对齐性能上表现如何？
• RQ5 该框架在多大程度上提升了链接预测等下游任务的性能？

主要发现

• UAGA在无监督图对齐任务上表现优异，在真实世界数据集上超越现有无监督基线方法。
• 在S4数据集上，Adv-Refine-CGSS在Precision@10上比Degree高0.298，证明了其在无任何标注数据下的强大对齐能力。
• iUAGA-S在链接预测中将Precision@500从0.541提升至0.923，Precision@1000从0.356提升至0.857，显示出显著的下游性能增益。
• t-SNE可视化证实，UAGA有效减少了源图与目标图之间的特征差异，生成更具域不变性的嵌入。
• 尽管未使用任何跨图标注数据，该方法仍达到与有监督方法相当或更优的性能。
• Precision@1并非随边重叠率单调递增，表明结构相似性与对齐难度之间存在权衡。