有效分布式图嵌入训练的Leiden-Fusion划分方法
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对图嵌入的大规模训练中的两大挑战提出了解决方案：现有的同步分布式框架沟通频繁、当前划分方法不能确保子图连接无孤立节点。我们提出的Leiden-Fusion方法通过贪心算法改进Leiden社区检测，确保每个划分都是密集连接的子图，减少网络通信需求，提高分布式训练效率，并在多个基准数据集上验证了该方法的有效性和嵌入质量。
图神经网络 (GNN) 通过学习特征和连接信息的二元性来检测图中的社区。研究发现，GNN可以将节点聚类到社区中，而不需要与基准进行比较。然而，该方法在预测基准性能方面存在局限性。模块度可用于超参数优化和模型选择，但当空间包含冲突信号时，GNN无法平衡信息的二元性。
