ProGAN: Network Embedding via Proximity Generative Adversarial Network 论文笔记

ProGAN: Network Embedding via Proximity Generative
Adversarial Network
使用相似性生成对抗网络的网络嵌入

动机：

发现不同节点之间的邻近性是学习良好的节点表示的关键。网络中的边很稀疏，不能很好地披露不同节点的相似性，且大多数算法不能完全利用网络拓扑结构和属性信息。因此作者提出ProGAN可以生成邻近性。通过保留真实的相似性和生成的相似性，生成节点表示。

算法：

G = {V,W ,X} ，其中V表示节点集、W表示邻接矩阵、X表示属性矩阵。不同节点间的相似性被描述成三元组<$v_i,v_j,v_k$>，其中$v_i$是参考节点，$v_j$是与$v_i$相似的正节点，$v_k$是与$v_i$不相似的负节点。

原始空间的相似性满足：
$\mathrm{sim}\left(v_i,v_j\right)>\mathrm{sim}\left(v_i,v_k\right)$
在进行节点表示的时候，应保留不同节点间的相似性。E看作是原始节点的低维表示，相似性满足：
$\mathrm{sim}\left(E_i.,E_j.\right)>\mathrm{sim}\left(E_i.,E_k.\right)$

假设真实三元组分布（未知）为$P\left(v_i,v_j,v_k\right)$，ProGAN的任务为学习一个分布$Q\left(v_i,v_j,v_k\right)$以逼近原始网络中的三元组分布。那么从Q中生成的三元组就应该逼近真实的相似性。

生成的三元组中的节点应该同样逼近真实节点，即生成的节点分布$Q\left(v_i\right)$也近似真实的节点分布$P\left(v_i\right)$。

ProGAN共包含三个部分：生成器、判别器、编码器

生成器

生成三元组和节点。
生成器生成的节点$\hat{v}\sim G\left(z_1,z_2\right)$，$z_1,z_2$是生成器的两个输入噪音。生成器的目标是：改变$z_1,z_2$控制两个生成节点的相似性。因此为了满足：$\mathrm{sim}\left({\hat{v}}_i,{\hat{v}}_j\right)>\mathrm{sim}\left({\hat{v}}_i,{\hat{v}}_k\right)$，生成 ⟨ v ^ i