Aitchison Embeddings for Learning Compositional Graph Representations¶

会议: ICML2026
arXiv: 2605.00716
代码: https://github.com/Nicknakis/AICoG
领域: 图学习 / 可解释表示学习
关键词: Aitchison 几何, 图表示学习, 组合数据, ILR 坐标, 可解释嵌入

一句话总结¶

本文提出 AICoG，将节点表示为 simplex 上的潜在原型混合，并用 Aitchison 几何与 ILR 等距坐标学习图嵌入，在保持与欧氏 latent distance model 同等表达力的同时，让节点角色相似性具有基于相对比例 trade-off 的内生解释。

研究背景与动机¶

领域现状：图表示学习通常把节点映射到欧氏向量空间，用随机游走、矩阵分解、GNN 或 latent distance model 保持结构邻近性。这些方法在链接预测和节点分类上有效，但嵌入维度往往缺少语义，距离和方向很难直接解释。

现有痛点：很多网络并不只是“相邻节点相似”，而是存在连续、重叠的结构角色。节点可能同时具有多种 latent archetype 的比例，例如社交网络中的桥接者、内容生产者、社区核心等混合角色。传统 mixed-membership 模型可以表达角色混合，但通常假设角色是离散、可识别、坐标轴对齐的；普通欧氏嵌入虽灵活，却无法说明某个方向对应什么相对角色变化。

核心矛盾：图嵌入需要既有预测性能，又能解释节点为何相似。欧氏空间有表达力但语义弱，离散角色模型有解释性但过于刚性；连续重叠角色更像“多个原型比例的相对权衡”，而不是单个坐标值。

本文目标：作者希望构建一种图嵌入框架，把节点角色显式建模为 simplex 上的 composition，用适合组合数据的 Aitchison 几何定义距离，使相似性天然对应原型比例之间的 log-ratio trade-off。

切入角度：组合数据的核心是“比例有意义，绝对尺度无意义”。Aitchison 几何正是处理这种相对信息的标准工具；ILR transformation 又能把 simplex 等距映射到无约束欧氏空间，从而兼顾几何语义和优化便利性。

核心 idea：把每个节点表示为潜在 archetype 的组成比例 \(\mathbf{z}_i\)，用 ILR 坐标 \(\mathbf{x}_i=\operatorname{ILR}(\mathbf{z}_i)\) 保持 Aitchison 距离，再用 latent distance likelihood 学习图结构。

方法详解¶

整体框架¶

AICoG 从一个无向简单图 \(\mathcal{G}=(V,E)\) 出发，为每个节点学习一个 \(K\) 维 composition \(\mathbf{z}_i\in\Delta^{K-1}\)。这里每个维度不是普通欧氏坐标，而是一个潜在原型因子的相对贡献；所有分量为正且和为 1。节点角色不是某个单一原型，而是在 simplex 内部的连续混合。

为了避免直接在受约束 simplex 上优化，方法使用 isometric log-ratio transformation。给定 contrast space 的正交基 \(\mathbf{V}\)，ILR 坐标为 \(\mathbf{x}_i=\log(\mathbf{z}_i)^\top\mathbf{V}\in\mathbb{R}^{K-1}\)。Aitchison 距离 \(d_A(\mathbf{z}_i,\mathbf{z}_j)\) 等于 ILR 空间里的欧氏距离 \(\|\mathbf{x}_i-\mathbf{x}_j\|_2\)，因此可以在欧氏坐标中做标准优化，但解释仍留在组合比例的 log-ratio 语义中。

图结构通过 Bernoulli latent distance model 学习。对节点对 \((i,j)\)，模型定义 log-odds \(\eta_{ij}=-\|\mathbf{x}_i-\mathbf{x}_j\|_2+\gamma_i+\gamma_j\)，其中 \(\gamma_i\) 捕获节点度异质性。训练目标是最大化所有边/非边的 Bernoulli log-likelihood；为避免 \(O(N^2)\) 全对计算，非边项通过均匀 subsampling 近似，使每次迭代复杂度降到 \(O(|E|)\)。

关键设计¶

Simplex 节点角色与 Aitchison 距离:
- 功能：让节点嵌入天然表达“原型比例混合”。
- 核心思路：节点 \(i\) 的角色为 \(\mathbf{z}_i=(z_{i1},...,z_{iK})\)，只关心各 archetype 的相对比例。两个节点相似不是因为某个维度绝对值接近，而是因为它们的 log-ratio trade-off 相似。Aitchison 几何保证距离只依赖比例关系，并对整体缩放不敏感。
- 设计动机：许多图角色是连续且重叠的，强行解释为离散角色或欧氏坐标轴都会丢失语义。组合表示更贴近“节点同时混合多种角色”的直觉。
ILR 等距坐标与可学习 basis:
- 功能：在保持 Aitchison 几何的同时使用无约束欧氏优化。
- 核心思路：ILR 用 contrast basis \(\mathbf{V}\) 把 \(\log(\mathbf{z}_i)\) 投影到 \(K-1\) 维坐标。不同合法 ILR basis 之间只差正交变换，距离和 likelihood 不变；论文同时使用固定 Helmert basis 和 learned basis，并可用 varimax rotation 提供更稀疏的 balance 解释。
- 设计动机：如果直接解释每个 simplex 分量，会落回“坐标轴角色”的限制；ILR balance 解释的是原型组之间的 log-ratio 对比，更适合连续角色空间。
子组合一致性与组件限制分析:
- 功能：支持有语义的维度/组件移除，而不是任意丢弃欧氏坐标。
- 核心思路：选择 archetype 子集 \(S\) 后，对对应分量 re-closure 得到子组合 \(\mathbf{z}_i^{(S)}\)，其 ILR 距离等价于原 ILR 差向量的某个正交投影。由此可以不重新训练，直接移除部分组件并评估节点分类性能保留率。
- 设计动机：欧氏嵌入的维度没有固有语义，drop dimension 很难解释；composition 的组件是原型比例，移除并重归一化仍有明确几何含义，可用于分析哪些 archetype 组影响预测。

损失函数 / 训练策略¶

节点 composition 通过无约束 logits \(\tilde{\mathbf{z}}_i\) 参数化，并用 row-wise softmax 得到 \(\mathbf{z}_i\)。边概率由 \(\eta_{ij}=-\|\mathbf{x}_i-\mathbf{x}_j\|_2+\gamma_i+\gamma_j\) 进入 logistic Bernoulli likelihood，完整 log-likelihood 为 \(\sum_{i<j}[Y_{ij}\eta_{ij}-\log(1+\exp(\eta_{ij}))]\)。作者证明，ILR-compositional latent distance model 与 \(\mathbb{R}^{K-1}\) 中普通 Euclidean latent distance model 可表示的边概率矩阵集合相同，因此组合约束不牺牲表达力。

实验中 AICoG 使用 Adam 优化 Bernoulli negative log-likelihood，学习率 \(10^{-2}\)，训练 5000 次迭代。维度 \(D=K-1\)，评估 \(D\in\{8,16,32,64\}\)。数据集包括 Cora、Citeseer、LastFM、DBLP、AstroPh、GrQc、HepTh；比较对象包括 Node2Vec、Role2Vec、NetMF、MMSBM、MNMF、SLIM-Raa、HM-LDM 和 Simplex-Euclidean。

实验关键数据¶

主实验¶

任务 / 数据集	维度	强 baseline	AICoG (HB)	AICoG (LB)	主要结论
Link prediction AstroPh AUC-ROC	64	SLIM-Raa 0.969	0.976	0.976	AICoG 达到最优
Link prediction GrQc AUC-ROC	64	SLIM-Raa 0.949	0.961	0.961	大幅超过传统 mixed-membership
Link prediction HepTh AUC-ROC	64	SLIM-Raa 0.920	0.929	0.928	Aitchison 几何稳定领先
Link prediction Cora AUC-ROC	64	HM-LDM 0.806	0.851	0.852	组合几何对 citation graph 有明显收益
Node classification Cora Micro-F1	64	Node2Vec 0.814 / HM-LDM 0.814	0.831	0.833	可解释模型不牺牲分类性能
Node classification LastFM Micro-F1	64	Node2Vec 0.865	0.870	0.870	与最强欧氏 baseline 持平略优

消融实验¶

分析项	设置	关键指标	说明
Aitchison vs simplex 欧氏	Simplex-Euclidean	Cora AUC-ROC 64 维仅 0.709，而 AICoG 约 0.851	关键不是 simplex 约束本身，而是组合数据的 Aitchison 几何
合成 membership recovery	AICoG vs MMSBM	ILR-continuous: \(\ell_1\) 0.900 vs 1.452，cosine 0.645 vs 0.432，JS 0.154 vs 0.356	AICoG 更能恢复连续/内部 membership
membership interiority	Cora	AICoG entropy 1.064、near-corner 5.55%；MMSBM entropy 0.191、near-corner 78.95%	AICoG 学到的角色更重叠、更 interior，且 label-informative
单 balance 解释	Cora learned ILR basis	单个 balance 约 0.40 probe accuracy，ANOVA \(F\approx319\)，MI \(\approx0.44\)	一个 log-ratio 对比就能捕获部分标签结构
子组合评估	Cora 64 维，随机移除组件	AICoG 在 aggressive compression 下 retention 最强	re-closure 后的组件限制保留了有语义的几何结构

关键发现¶

AICoG 在链接预测上非常强，尤其 Cora、GrQc、HepTh 等数据集上，固定 Helmert basis 和 learned basis 的结果几乎一致，支持 ILR basis 正交不变性的论点。
Simplex-Euclidean 明显掉点，说明把节点放到 simplex 上还不够；如果仍用普通欧氏距离比较比例，无法捕获 compositional data 的相对语义。
节点分类中，纯欧氏方法仍很强，但 AICoG 在 Cora 和 LastFM 上达到或超过 Node2Vec/Role2Vec，证明可解释几何不必以明显预测性能为代价。
合成实验显示 MMSBM 容易把 membership 推向 near-discrete 角点，而 AICoG 更适合连续、重叠的角色结构。

亮点与洞察¶

最大亮点是把图角色解释从“某个坐标轴是什么”转成“多个原型之间的相对 trade-off 是什么”。这避免了 mixed-membership 模型必须识别离散角色的限制。
ILR 的使用很巧妙：它让模型优化时看起来像普通欧氏 latent distance model，但所有距离都可回译成 Aitchison 空间中的 log-ratio 差异。
Expressive equivalence 的理论保证降低了采用组合几何的顾虑。方法不是用解释性换表达力，而是在同等 latent distance 表达力下改变几何语义。
子组合分析提供了一种比 post-hoc attribution 更自然的解释方式。移除某组 archetype、re-close、看预测保持多少，这个操作本身在组合数据理论里是合法的。

局限与展望¶

AICoG 最适合节点角色本来具有 compositional 语义的图；如果图结构主要由局部同质性或非比例因素决定，未必比普通欧氏嵌入更准。
论文主要在 featureless graph 和无监督表示学习设置下评估，没有与现代带属性 GNN 或端到端监督图模型直接竞争。
训练协议假设图连通或由大连通分量主导。作者也指出，对许多小连通分量或断开图的扩展仍是未来方向。
ILR basis 虽然不影响距离，但影响人类如何阅读 balance；learned basis 和 varimax rotation 提供帮助，但如何把 archetype 与领域知识自动对齐仍未解决。
似然模型仍是基于 pairwise distance 的 Bernoulli graph model，复杂关系如有向边、异质边、多关系图和动态演化图还需要扩展。

评分¶

新颖性: ⭐⭐⭐⭐☆ 将 Aitchison 几何系统引入图角色嵌入很有辨识度，理论上还证明不损失 latent distance 表达力。
实验充分度: ⭐⭐⭐⭐☆ 链接预测、节点分类、合成恢复、interiority、basis 可视化和 subcomposition 分析都较完整；缺少与属性 GNN 的直接比较。
写作质量: ⭐⭐⭐⭐☆ 方法动机清晰，几何解释扎实；部分数学细节对非 compositional data 读者门槛较高。
价值: ⭐⭐⭐⭐☆ 对可解释图表示学习很有启发，尤其适合角色连续重叠、比例语义自然存在的网络分析场景。