Joint Optimal Transport and Embedding for Network Alignment
作者: Qi Yu, Zhichen Zeng, Yuchen Yan, Lei Ying, R. Srikant, Hanghang Tong
发布时间: 2025-02-27
来源: arxiv
研究方向: 网络对齐和网络嵌入
主要内容
本文提出了一种名为JOENA的联合最优传输和嵌入框架，用于网络对齐。该框架结合了基于嵌入的方法和基于最优传输（OT）的方法，以实现节点嵌入和节点对齐的联合学习。
主要贡献
1. 理论分析：揭示了OT和基于嵌入的方法之间的紧密关系和相互益处。
2. 新颖模型：提出了JOENA框架，用于基于统一目标函数联合学习节点嵌入和对齐。
3. 广泛实验：在真实世界数据集上的实验验证了JOENA的有效性和可扩展性，与最先进的对齐方法相比，MRR提高了16%，推理速度提高了20倍。
研究方法
1. 随机游走重启（RWR）编码：用于结构学习。
2. 多层感知器（MLP）模型：用于嵌入学习。
3. 交替优化方案：用于优化OT映射和节点嵌入。
4. 近端梯度法（Proximal Point Method）：用于OT优化。
5. 随机梯度下降（SGD）：用于优化特征编码器参数。
实验结果
JOENA在平面网络和对齐网络上的MRR分别提高了31%和22%，与最佳基线相比，性能提高了16%和6%。JOENA在推理时间上比SLOTAlign快20倍，在处理大型网络时可以扩展5倍。
未来工作
进一步研究JOENA在更大规模网络上的性能，探索其在其他网络分析任务中的应用，例如知识图谱融合和社交网络分析。