Core Concepts
그래프 임베딩 기법은 네트워크의 구조적 특성을 효과적으로 포착할 수 있지만, 네트워크 변화에 대한 강건성은 상대적으로 연구되지 않았다. 이 연구는 에지 삭제에 따른 그래프 임베딩 방법의 커뮤니티 탐지 강건성을 조사한다.
Abstract
이 연구는 그래프 임베딩 방법의 커뮤니티 탐지 강건성을 조사한다. 실험은 합성 네트워크와 실제 네트워크에서 수행되었다. 두 가지 노드 선택 전략(무작위 및 타깃)을 사용하여 에지를 제거하였다. 7가지 최신 그래프 임베딩 방법(LE, LLE, HOPE, M-NMF, DeepWalk, LINE, node2vec)을 평가하였다.
실험 결과:
에지 제거가 많을수록 커뮤니티 유사성이 더 크게 감소한다.
타깃 노드 선택이 무작위 선택보다 커뮤니티 유사성을 더 빠르게 감소시킨다.
초기 커뮤니티 구조가 강할수록 임베딩 방법의 강건성이 더 높다.
node2vec과 LLE가 다른 방법에 비해 전반적으로 더 강건한 성능을 보인다.
Stats
에지 제거가 많을수록 커뮤니티 유사성이 더 크게 감소한다.
타깃 노드 선택이 무작위 선택보다 커뮤니티 유사성을 더 빠르게 감소시킨다.
초기 커뮤니티 구조가 강할수록 임베딩 방법의 강건성이 더 높다.
Quotes
"그래프 임베딩 기법은 네트워크의 구조적 특성을 효과적으로 포착할 수 있지만, 네트워크 변화에 대한 강건성은 상대적으로 연구되지 않았다."
"node2vec과 LLE가 다른 방법에 비해 전반적으로 더 강건한 성능을 보인다."