2019年春季学期视觉计算实验室第4周论文研读预告

时间: 2019年3月21日 09:30
地点: 望江基础教学楼B座318实验室
研读成员: 罗富智
研读内容
[1]Hamilton W, Ying Z, Leskovec J. Inductive representation learning on large graphs[C]//Advances in Neural Information Processing Systems. 2017: 1024-1034.
[2]Chen W, Guo F, Han D, et al. Structure-Based Suggestive Exploration: A New Approach for Effective Exploration of Large Networks[J]. IEEE transactions on visualization and computer graphics, 2019, 25(1): 555-565.
在本次论文研读中,讲者分享两篇有关大规模网络的文章。论文[1]提出了一种归纳式的大规模图表示学习方法,能够有效地将节点信息嵌入到低维空间;论文[2]提出一种基于结构相似性的子图匹配算法,能够有效地在大规模网络中进行交互式探索。

论文简介
[1]大多数现有的图嵌入算法都要求图中的所有节点在训练期间出现,然而这些直推式的方法不能自然推广到未知节点。文章提出了一个通用的归纳框架,GraphSAGE,它利用节点特征信息来高效地为未经训练的数据生成节点嵌入。文章的方法为,通过从一个顶点的局部邻居采样并聚合顶点特征,学习到一个函数,该函数可以作用于新的节点。该方法在多个不同数据集的实验中取得了良好效果。
1-1

图1 GraphSAGE采样与聚合方法示例

[2]长久以来,对大规模网络的有效探索一直是一个挑战。虽然用户可以使用各种工具来探索网络的全局和局部特性,但是这些工具通常需要进行复杂的交互活动,例如重复导航操作来跟踪网络节点和边缘。本文提出了一种基于结构的探索性方法来支持大型网络的有效探索。该方法通过将节点周围结构的信息转化为高维空间,对节点进行矢量化表示编码,可以在大型网络中识别相似结构,使用户能够同时与多个相似结构进行交互,并指导对未知结构的探索。本文开发了一个基于web的可视化探索系统,并比较了探索方法在不同矢量化方法和网络下的性能。
2-1

图2 原型系统用户界面。(a)热图视图,显示网络的大致形状;(b)草图范例视图,可手动指定结构范例;(c)节点-链接视图;(d)一个建议库,使查询引擎探测到的类似结构形象化;(e)显示勘探历史;(f)参数控制面板。
123