Learning Network Node Representations from Structural Identity
Authors:
Autores
| Person role | Person | |
|---|---|---|
|
6439 |
753,2917
|
|
|
6438 |
753,2917
|
Informations:
Pesc publication
Identidade estrutural é um conceito de simetria, no qual vértices em uma rede são identificados de acordo com a estrutura da rede e com seus relacionamentos com outros vértices. A identidade estrutural tem sido estudada na teoria e na prática durante as últimas décadas, mas, somente recentemente, técnicas para aprendizado de representações latentes vêm sendo utilizadas neste contexto. Este trabalho apresenta o struc2vec, um framework inovador e flexível, utilizado para o aprendizado de representações latentes da identidade estrutural de vértices. struc2vec usa uma hierarquia para medir a similaridade de vértices em diferentes escalas, e constrói um grafo multi-camadas para codificar similaridades estruturais e gerar contexto estrutural para vértices. Experimentos numéricos indicam que recentes técnicas para aprendizado de representações de vértices falham em capturar uma forte noção de identidade estrutural, enquanto struc2vec exibe um desempenho muito superior nestas tarefas, uma vez que supera as limitações das técnicas anteriores. Como consequência, experimentos numéricos indicam ainda que struc2vec melhora o desempenho em tarefas de classificação que dependem mais da identidade estrutural.
Structural identity is a concept of symmetry in which network nodes are identified according to the network structure and their relationship to other nodes. Structural identity has been studied in theory and practice over the past decades, but only recently has it been addressed with representational learning techniques. This work presents struc2vec, a novel and exible framework for learning latent representations for the structural identity of nodes. struc2vec uses a hierarchy to measure node similarity at di erent scales, and constructs a multilayer graph to encode structural similarities and generate structural context for nodes. Numerical experiments indicate that state-of-the-art techniques for learning node representations fail in capturing stronger notions of structural identity, while struc2vec exhibits much superior performance in this task, as it overcomes limitations of prior approaches. As a consequence, numerical experiments indicate that struc2vec improves performance on classification tasks that depend more on structural identity.