Feb, 2024
使用无监督度量优化图神经网络进行节点聚类的研究
An Investigation into Using Unsupervised Metrics to Optimise GNNs for
Node Clustering
TL;DR图神经网络 (GNN) 可以通过从特征和连接信息的二元性中学习来训练以检测图中的社区。本研究展示了通过仅仅优化模块度,而不与基准进行比较,可以使用 GNN 将节点聚类到社区中。尽管模块度是一个图划分质量度量,我们证明了这一方法可以优化同时编码特征的 GNN,并且性能没有下降。我们进一步研究了无监督度量性能是否能预测基准性能的问题。通过设计一些合成实验,展示了该方法的局限性。这些合成图被设计来突显属性图中具有不同、随机和零信息空间分区的当前能力。总之,我们得出结论,模块度可以用于真实数据集上的超参数优化和模型选择,同时也是预测基准性能的一个合适代理,但是当空间包含冲突信号时,GNN 无法平衡信息的二元性。