DeepNC: Deep Generative Network Completion 解读

原创声明： 每次都要自己写一个原创声明

作者

Cong Tran, Student Member, IEEE, Won-Yong Shin, Senior Member, IEEE, Andreas Spitz,
and Michael Gertz

问题——不完整的网络

真实的网络只有部分被观测到，你微信上的好友并不是你全部的好友，你的父母没有微信，但你经常和他们打电话，所以通过online 线上搜集到的关系并不是全部的关系。

使用不完整的网络数据 可能会严重影响基于网络进行的下游任务，社群检测，链路预测，节点分类等等。

question 1： 事实上现有研究的链路预测准确率很高，为什么说不完整的网络数据会严重影响下游任务？

下边的文章有解答：

1. G. Kossinets, “Effects of missing data in social networks,”
2. J. H. Koskinen, G. L. Robins, P. Wang, and P. E. Pattison, “Bayesian
   analysis for partially observed network data, missing ties, attributes and actors,”
3. M. Kim and J. Leskovec, “The network completion problem:
   Inferring missing nodes and edges in networks,”
4. C. Tran, W.-Y. Shin, and A. Spitz, “Community detection in partially observable social networks

在2011年， M. Kim and J. Leskovec提出KronEM方法做网络补全，但补全都是基于网络服从幂律分布的假设，事实上，很多真实的网络都不服从幂律分布。也就是上边的第3篇文章提到的方法

问题定义

没有观测到的节点是 $V_M$，连边$E_M$，观测到的为$V_O$,$E_O$,

解决

1.判断缺失节点的位置

城市A 的居民有自己的社交网络A，城市B的居民有自己的社交网络B，A市居民注重个人隐私，将社交信息隐藏的很好，B市居民很开放，社交信息很容易获得。

如果 城市A和B 有相似的网络结构（structurally similarity）

比较A,B 网络，取B 城市的部分网络 与A中的网络的结构差异巨大，则可以认为B城市该部分网络存在节点和连边的缺失

结构相似如何和网络补全连接起来？？ 没有回答

• 介绍deepnc
• 节点顺序问题是 最优化问题
• 使用网络的稀疏结构 提高解决问题的效率
• 在真实的网络上验证了deepnc 的准确率

相关的工作

• 图生成模型
  借鉴了Graph RNN 的工作
• 网络补全工作

MISC 解决 缺失节点识别的问题
MISC [24] 加入历史信息 进行推理
文章假设缺失节点和可观察节点之间的连接事先已知

question: 事先已知还能称为缺失吗
的情况下解决了节点识别问题，这在我们的部分观察设置中是不可行的。

• 讨论
  图生成可以用于网络补全

用到图匹配模型

文章的基本假设：

1. 没有观测到的节点是 V M V_M