Incrustación de Red Variacional Profunda en Espacio de Wasserstein

La incrustación de red, que tiene como objetivo incrustar una red en un espacio vectorial de baja dimensión mientras preserva las propiedades estructurales inherentes de la red, ha atraído considerable atención recientemente. La mayoría de los métodos de incrustación existentes incrustan nodos como vectores puntuales en un espacio continuo de baja dimensión. De esta manera, la formación del borde es determinista y solo está determinada por las posiciones de los nodos. Sin embargo, la formación y evolución de redes del mundo real están llenas de incertidumbres, lo que hace que estos métodos no sean óptimos. Para abordar el problema, proponemos una nueva Incrustación de Red Variacional Profunda en Espacio de Wasserstein (DVNE) en este artículo. El método propuesto aprende una distribución gaussiana en el espacio de Wasserstein como la representación latente de cada nodo, lo que puede preservar simultáneamente la estructura de la red y modelar la incertidumbre de los nodos. Específicamente, utilizamos la distancia 2-Wasserstein como medida de similitud entre las distribuciones, que puede preservar bien la transitividad en la red con un costo computacional lineal. Además, nuestro método implica la relevancia matemática de la media y la varianza mediante el modelo variacional profundo, que puede capturar bien la posición del nodo mediante los vectores de media y las incertidumbres de los nodos mediante la varianza. Adicionalmente, nuestro método captura tanto la estructura local como la global de la red al preservar la proximidad de primer y segundo orden en la red. Nuestros resultados experimentales demuestran que nuestro método puede modelar efectivamente la incertidumbre de los nodos en redes y mostrar una ganancia sustancial en aplicaciones del mundo real, como la predicción de enlaces y la clasificación multietiqueta, en comparación con los métodos de última generación.