DeepDrawing: A Deep Learning Approach to Graph Drawing

论文下载页面
[视频演示](https://vimeocdn.com embed/v/-82c8d5d-2f2b-4b5e-bd5a-5a5a8e2fc2f?src=www.vimeocdn.com&client=VIMEO&version=4&language=en_US&region=US&display=us&displayLanguage=en_US&display_version=4&displayFormat=html5)
项目官方网站

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

节点链接图在实际应用中得到了广泛使用。然而，在采用图形绘制技术进行网络可视化的过程中发现，在调整不同算法参数时往往需要反复尝试才能达到预期效果，并且这一过程通常耗时较长且效率不高。特别是对于非专业用户而言这一挑战更为突出。受深度学习技术强大的数据建模与预测能力启发 我们开始探索将深度学习技术应用于图形绘制的可能性。具体而言 我们提出了一种基于图长短期记忆网络的方法 并将其应用于图的绘制过程：给定一组布局示例作为训练数据集 我们对提出的模型进行了训练 以捕获其布局特征 然后将模型用于生成新的网络绘图结果 在类似样式下进行评估 我们采用了定性和定量两种评估方式 选择网格布局和星形布局作为特殊案例 以及ForceAtlas2和PivotMDS等常规布局类型作为对比测试 这些方法帮助我们全面评估了该方案的效果 经过实验验证 该方法表现出良好的性能 同时我们也对包含20至50个节点的小规模网络进行了时间成本分析 并总结了我们在实验过程中积累的经验 进一步分享了研究心得 并对未来工作进行了展望

Motivation

Graph drawing has seen significant research aimed at aiding in exploring network structures, analyzing network properties, and presenting networks themselves.

Nonetheless, people typically seek an ideal graph layout by means of trial-and-error attempts.

• Optimize diverse algorithm-specific parameters, which require adjustment.
• Evaluate multiple drawing outcomes to determine the most effective approach.

It is time-consuming and presents a disadvantageous experience, particularly challenging for non-expert users.

Graph Structures -> Graph Drawing Model using Deep Learning

Graph Structures

Graph Drawing Model using Deep Learning

Graph Drawing

Challenges

• Model Architecture
• Loss Function Design
• Training Datasets

DeepDrawing - Model Architecture

Architecture Details:

• BFS-ordering of graph nodes
• Fake edges and real edges
• Bi-directional

DeepDrawing - Loss Function Design

Procrustes Statistic

Evaluations - Quantitative Evaluation

• 基于Procrustes统计量的相似性
• 运动速度
• 训练收敛性比较

Limitations

• 具有较低的可解释性水平
• 目前的评估主要集中于包含20至50个节点的小图分析
• DeepDrawing的表现受到输入节点顺序和与训练图结构相似度的影响