使用线图神经网络进行监督式社区检测
摘要：基于学习的图社区检测：一种图神经网络方法 在传统上，图中的社区检测可以使用谱方法或概率图模型下的后验推断来解决。最近的研究聚焦于随机图家族，比如随机块模型，统一了这两种方法，并根据信噪比确定了统计和计算检测门槛。通过将社区检测重新定义为图上的节点分类问题，我们还可以从学习的角度来研究它。在监督学习环境中，我们提出了一种用于解决社区检测问题的新型图神经网络(GNNs)家族。我们展示了这些模型以数据驱动的方式，在没有访问底层生成模型的情况下，可以与甚至超越二元和多类随机块模型上的信念传播算法的性能，而信念传播算法被认为达到了计算门槛。特别是，我们建议在边邻接的线图上增加GNNs的非回溯算子。我们的模型在现实世界的数据集上也表现良好。此外，我们对训练线性GNNs用于社区检测问题的优化空间进行了首次分析，证明了在某些简化和假设下，局部和全局最小值的损失值并不相差太远。
作者：Zhengdao Chen, Xiang Li, Joan Bruna
论文ID：1705.08415
分类：Machine Learning
分类简称：stat.ML
提交时间：2020-08-11