NNP-NET: Aceleración del Dibujo de Grafos t-SNE para Grafos Estáticos y Dinámicos Grandes mediante Redes Neuronales

Área de la Ciencia:

• Ciencias de la Computación
• Visualización de Datos
• Aprendizaje Automático

Sus antecedentes:

• Métodos recientes de dibujo de grafos (GD) como tsNET producen diseños de alta calidad pero son computacionalmente costosos debido a la dependencia de t-SNE.
• Existe la necesidad de algoritmos de dibujo de grafos eficientes que puedan manejar datos de grafos dinámicos y a gran escala sin sacrificar la calidad del diseño.

Objetivo del estudio:

• Introducir NNP-NET, un método novedoso de dibujo de grafos que aborda las limitaciones de tiempo de ejecución de tsNET.
• Adaptar la técnica de proyección NNP para la generación eficiente y de alta calidad de diseños de grafos estáticos y dinámicos.

Principales métodos:

• NNP-NET adapta la técnica NNP (Proyección No Lineal Basada en Vecinos) para la proyección de grafos, permitiendo una escalabilidad lineal con el tamaño de los datos.
• El método maneja grafos no ponderados y ponderados y aprovecha la capacidad de NNP fuera de muestra para la proyección de grafos dinámicos.
• La calidad del diseño se optimiza para ser comparable a tsNET al tiempo que se mejora significativamente la eficiencia computacional.

Principales resultados:

• NNP-NET demuestra un rendimiento significativamente más rápido en comparación con los métodos existentes para grafos muy grandes (hasta 50 millones de nodos y 108 millones de aristas).
• Los diseños proyectados logran métricas de calidad cercanas a tsNET, la verdad fundamental.
• Para grafos dinámicos, NNP-NET equilibra eficazmente la estabilidad del diseño con una alta calidad visual.

Conclusiones:

• NNP-NET proporciona una solución eficiente y eficaz para el dibujo de grafos a gran escala y dinámicos.
• El método ofrece una alternativa atractiva a los enfoques basados en t-SNE, ofreciendo una calidad comparable a una fracción del costo computacional.
• NNP-NET avanza en el campo del dibujo de grafos al permitir la visualización de estructuras de red complejas y variables en el tiempo.