本文提出了一种名为DeepDrawing的深度学习方法，旨在简化图绘制过程，尤其是对于非专业用户。利用图LSTM，该模型可以直接将网络结构映射到图布局。通过训练和学习一组布局示例的特征，DeepDrawing可以生成类似样式的新的图布局。实验表明，无论是在网格布局、星形布局还是其他常规布局中，该方法都表现出良好的性能。然而，它也存在解释性不足以及对输入节点顺序和训练图结构相似性的依赖等局限性。
作者
香港科技大学
- Yong Wang
- Zhihua Jin （浙江大学）
- Qianwen Wang
- Huamin Qu
微软亚洲研究院
- Weiwei Cui
IBM T.J. 沃森研究中心
- Tengfei Ma
摘要
节点链接图被广泛应用于网络探索。但是，当使用图形绘制技术来可视化网络时，用户通常需要通过比较相应的绘制结果来迭代地调整不同的算法特定参数，以实现所需的视觉效果。这种反复试验的过程通常很繁琐且耗时，特别是对于非专业用户而言。受深度学习技术强大的数据建模和预测功能的启发，我们探索了将深度学习技术应用于图绘制的可能性。具体来说，我们提出使用基于图LSTM的方法将网络结构直接映射到图绘制。给定一组布局示例作为训练数据集，我们对提出的基于图LSTM的模型进行训练以捕获其布局特征。然后，将训练后的模型用于新的网络以类似的样式生成绘制的图。我们以定性和定量两种方式用两种特殊的布局（即网格布局和星形布局）和两种常规类型的布局（即ForceAtlas2和PivotMDS）来评估了该方法。结果证明了我们方法的有效性。我们还对具有20到50个节点的小图进行了时间成本评估。我们进一步报告了所学到的教训，并讨论局限性
最低0.47元/天 解锁文章
扫一扫
379
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
