图顶点嵌入：距离、正则化和社区检测

Apr, 2024

图顶点嵌入：距离、正则化和社区检测

Graph Vertex Embeddings: Distance, Regularization and Community Detection

Radosław Nowak, Adam Małkowski, Daniel Cieślak, Piotr Sokół, Paweł Wawrzyński

TL;DR本文研究图嵌入的质量以及其在社区检测方面的有效性，通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离，将顶点嵌入作为距离矩阵的变换结果进行分析，并在多个基准数据集上进行评估。结果表明，该方法操作于降维表示，使得计算复杂度大为减少，且性能与传统算法相媲美。

Abstract

graph embeddings have emerged as a powerful tool for representing complex network structures in a low-dimensional space, enabling the use of efficient methods that employ the metric structure in the embedding space as a proxy for the topological structure of the data. In this paper, we

graph embeddings vertex embedding distance functions transformation community detection

发现论文，激发创造

经典图结构特征在社区标记上胜过基于因式分解的图嵌入方法

本研究分析并探讨了基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务方面的表现，发现相对于经典的基于结构特征的模型，该类模型表现较差且在实践中结果不够稳定，因而在捕获社群结构方面存在局限性。

Jan, 2022

基于图度量嵌入的快速图算法

本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

Jun, 2019

探究无监督图嵌入的语义内容：一项实证研究

本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。

Jun, 2018

图嵌入技术、应用及性能：一项调查

本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为 GEM 的 Python 库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。

May, 2017

图嵌入方法在社区检测中的稳健性

本研究探讨了在网络扰动（尤其是边缘删除）的情况下，图嵌入方法在社区检测中的鲁棒性。通过对合成和真实网络进行的实验证明了不同家族的图嵌入方法的不同程度的鲁棒性，发现网络大小、初始社区划分强度和扰动类型等因素对鲁棒性的影响。值得注意的是，node2vec 和 LLE 方法在各种不同情况下，包括度和社区大小异质性网络中，一致表现出更高的社区检测鲁棒性。这些发现强调了根据网络的特性和任务的具体要求选择合适的图嵌入方法的重要性，尤其是在鲁棒性对扰动至关重要的情况下。

May, 2024

基于扩散图的快速序列嵌入

本文提出了一种名为 `Diffusion Graphs` 的图嵌入方法，其通过简单的顶点序列生成可以获得更高的计算效率和更加准确的嵌入结果。实验证明，该方法在图中边密度越大时性能越好，同时在社区检测任务中，利用嵌入空间中的聚类节点可以获得比其他序列嵌入方法更好的结果。

Jan, 2020

图嵌入的全面调查：问题、技术和应用

本文从图形嵌入的定义、挑战及其使用展开了全面综述，总结了图形嵌入的应用领域，提出了四个未来研究方向。

Sep, 2017

图表示学习：调查

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

使用 Node2Vec 学习得到的嵌入进行社区检测和分类保证

通过对大型网络的节点进行嵌入，得到欧几里德空间中的表示是现代机器学习中的一个常见目标，该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析，证明了其在聚类任务中表现出较弱的一致性，并对其在网络数据中的应用进行了讨论。

Oct, 2023

三角丰富复杂网络低秩表示的不可能性

本文研究了复杂网络的图嵌入，发现该方法无法捕捉复杂网络的重要特征，尤其是低度和大聚集系数。通过数学证明和实证研究，本文认为这种图嵌入技术不适用于揭示真实世界复杂网络的结构特征。

Mar, 2020