首页
学习
活动
专区
工具
TVP
发布

利用GAN实现网络表达:Adversarial Network Embedding

原论文发表在AAAI-2018

在数据挖掘领域,网络表达(网络嵌入,Network Embedding)是一个热点问题。学习一个网络的低维表达已经被证明在很多任务上都有很好的效果,例如节点分类,连接预测和网络可视化等。目前传统的方法是通过编码不同的结构化性质来实现网络表达,比如邻结点或全局结构的相似性。但他们都缺少一些额外的约束来增强表达的鲁棒性。本文就这个问题提出了对抗网络嵌入的方法,结合了最新的对抗生成网络(Generative Adversarial Network,GAN)和传统的网络嵌入方法来得到效果更好的表达。

背景

GAN是一种非监督的神经网络,最初是用在图片生成上。如图1所示,它的组成部分包括一个生成器和一个判别器。生成器的作用是生成一个假样本,判别器的作用是分辨假样本和真样本。生成器和判别器在对抗中共同学习,得到了可以“以假乱真“的新图片。这就是GAN的基本原理。

图1. 对抗生成网络GAN

方法

如图2所示,红色方框内的部分是为了得到网络表达。首先用传统的方法,比如DeepWalk,得到网络的表达,再将其放入生成器(神经网络)得到一个新的网络表达。之后我们将这个网络表达放入判别器。同时放入判别器的还有一个由先验函数(比如高斯函数)得到的表达,他代表这个网络的真实分布。因此判别器的目标就是找到由先验函数得到的表达,这样在生成器和判别器的共同学习中,生成器就会倾向于得到服从先验分布的网络表达。这样做可以使得模型得到的网络表达更具有鲁棒性。

图2. 本文模型结构

总结

这篇文章的核心是在原有的网络嵌入方法上加入对抗学习的思想,是一个很有新意的想法,但依然没有跳出传统方法的框架。如果结合图卷积网络(Graph Convolutional Network)或许会有更大的突破。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180807G022M100?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券