論文の概要: Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph

• arxiv url: http://arxiv.org/abs/2011.12517v2
• Date: Tue, 22 Jun 2021 07:42:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:22:04.285539
• Title: Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph
• Title（参考訳）: Signed Infomax Hyperbolic Graphによる解釈可能な符号付きリンク予測
• Authors: Yadan Luo, Zi Huang, Hongxu Chen, Yang Yang, Mahsa Baktashmotlagh
• Abstract要約: ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
• 参考スコア（独自算出の注目度）: 54.03786611989613
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Signed link prediction in social networks aims to reveal the underlying relationships (i.e. links) among users (i.e. nodes) given their existing positive and negative interactions observed. Most of the prior efforts are devoted to learning node embeddings with graph neural networks (GNNs), which preserve the signed network topology by message-passing along edges to facilitate the downstream link prediction task. Nevertheless, the existing graph-based approaches could hardly provide human-intelligible explanations for the following three questions: (1) which neighbors to aggregate, (2) which path to propagate along, and (3) which social theory to follow in the learning process. To answer the aforementioned questions, in this paper, we investigate how to reconcile the \textit{balance} and \textit{status} social rules with information theory and develop a unified framework, termed as Signed Infomax Hyperbolic Graph (\textbf{SIHG}). By maximizing the mutual information between edge polarities and node embeddings, one can identify the most representative neighboring nodes that support the inference of edge sign. Different from existing GNNs that could only group features of friends in the subspace, the proposed SIHG incorporates the signed attention module, which is also capable of pushing hostile users far away from each other to preserve the geometry of antagonism. The polarity of the learned edge attention maps, in turn, provide interpretations of the social theories used in each aggregation. In order to model high-order user relations and complex hierarchies, the node embeddings are projected and measured in a hyperbolic space with a lower distortion. Extensive experiments on four signed network benchmarks demonstrate that the proposed SIHG framework significantly outperforms the state-of-the-arts in signed link prediction.
• Abstract（参考訳）: ソーシャルネットワークにおけるサイン付きリンク予測は、既存のポジティブな相互作用とネガティブな相互作用を考慮すれば、ユーザ(つまりノード)間の基礎的な関係(リンク)を明らかにすることを目的としている。 それまでの取り組みのほとんどは、下流リンク予測タスクを容易にするためにエッジに沿ってメッセージパスすることで、署名されたネットワークトポロジを保存するグラフニューラルネットワーク(GNN)によるノード埋め込みの学習に費やされていた。 しかし,既存のグラフに基づくアプローチでは,(1)隣人が集まる場所,(2)伝播する経路,(3)学習過程に従う社会理論の3つの質問に対して,人間には理解できない説明が得られなかった。 本稿では,上述の疑問に答えるために,情報理論を用いて, \textit{balance} と \textit{status} のソーシャルルールを解消し,サイン付きinfomax双曲グラフ (\textbf{sihg}) と呼ばれる統一フレームワークを開発する方法について検討する。 エッジ極性とノード埋め込みの相互情報を最大化することにより、エッジサインの推論をサポートする最も代表的な隣接ノードを特定できる。 サブスペース内の友達の特徴のみをグループ化できる既存のGNNとは異なり、SIHGは署名されたアテンションモジュールを組み込んでおり、敵のユーザを互いに遠ざけ、敵の幾何学を保存することができる。 学習されたエッジアテンションマップの極性は、それぞれのアグリゲーションで使われる社会理論の解釈を提供する。 高次ユーザ関係と複雑な階層をモデル化するために、ノード埋め込みは低歪みの双曲空間に投影され、測定される。 4つの符号付きネットワークベンチマークの大規模な実験により、提案したSIHGフレームワークは、符号付きリンク予測における最先端よりも著しく優れていることが示された。

関連論文リスト

• Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods [16.428742189544955]
  本稿では,リンク予測のための各種情報学習におけるグラフニューラルネットワーク(GNN)の機能について検討する。 解析の結果,GNNは2つのノード間の共通隣接点数に関する構造情報を効果的に学習できないことがわかった。 また、トレーニング可能なノード埋め込みにより、GNNベースのリンク予測モデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-22T03:38:20Z)
• Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings [20.77134976354226]
  署名付きネットワーク用に設計されたSGAAE(Signed Graph Archetypal Autoencoder)フレームワーク。 SGAAEは、異なる極端プロファイル上でノードメンバシップを表現するノードレベル表現を抽出する。 モデルは、実世界の4つのデータセット間で署名付きリンク予測の異なるタスクで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-16T16:40:40Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation [11.120241862037911]
  不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。 そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2021-06-21T06:26:10Z)
• MUSE: Multi-faceted Attention for Signed Network Embedding [4.442695760653947]
  符号付きネットワーク埋め込みは、正と負のリンクを持つ符号付きネットワークにおけるノードの低次元表現を学習するアプローチである。 この問題を解決するために,MUlti-faceted attention-based Signed network Embedding フレームワーク MUSE を提案する。
  論文  参考訳（メタデータ） (2021-04-29T16:09:35Z)
• Signed Graph Diffusion Network [17.20546861491478]
  サイン付きソーシャルグラフが与えられたら、適切なノード表現を学習して、エッジの欠落の兆候を推測するにはどうすればよいのか? 署名ソーシャルグラフにおけるリンクサイン予測のためのエンドツーエンドノード表現学習を実現する新しいグラフニューラルネットワークであるSigned Graph Diffusion Network(SGDNet)を提案する。
  論文  参考訳（メタデータ） (2020-12-28T11:08:30Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。