論文の概要: Signed Bipartite Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2108.09638v1
• Date: Sun, 22 Aug 2021 05:15:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 15:34:25.822418
• Title: Signed Bipartite Graph Neural Networks
• Title（参考訳）: 符号付き二部グラフニューラルネットワーク
• Authors: Junjie Huang, Huawei Shen, Qi Cao, Shuchang Tao, Xueqi Cheng
• Abstract要約: 署名された二部ネットワークは、2つの異なるノードセットと2つのノードセット間の署名されたリンクを含む古典的な署名されたネットワークとは異なる。 本研究では、まず、同じノードの集合の署名された関係を定義し、署名された二部ネットワークを解析するための新しい視点を提供する。 次に、複数の実世界のデータセットの2つの視点からバランス理論の包括的分析を行う。
• 参考スコア（独自算出の注目度）: 42.32959912473691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed networks are such social networks having both positive and negative links. A lot of theories and algorithms have been developed to model such networks (e.g., balance theory). However, previous work mainly focuses on the unipartite signed networks where the nodes have the same type. Signed bipartite networks are different from classical signed networks, which contain two different node sets and signed links between two node sets. Signed bipartite networks can be commonly found in many fields including business, politics, and academics, but have been less studied. In this work, we firstly define the signed relationship of the same set of nodes and provide a new perspective for analyzing signed bipartite networks. Then we do some comprehensive analysis of balance theory from two perspectives on several real-world datasets. Specifically, in the peer review dataset, we find that the ratio of balanced isomorphism in signed bipartite networks increased after rebuttal phases. Guided by these two perspectives, we propose a novel Signed Bipartite Graph Neural Networks (SBGNNs) to learn node embeddings for signed bipartite networks. SBGNNs follow most GNNs message-passing scheme, but we design new message functions, aggregation functions, and update functions for signed bipartite networks. We validate the effectiveness of our model on four real-world datasets on Link Sign Prediction task, which is the main machine learning task for signed networks. Experimental results show that our SBGNN model achieves significant improvement compared with strong baseline methods, including feature-based methods and network embedding methods.
• Abstract（参考訳）: 署名されたネットワークは、ポジティブリンクとネガティブリンクの両方を持つようなソーシャルネットワークである。 このようなネットワーク(例えばバランス理論)をモデル化するために多くの理論とアルゴリズムが開発されている。 しかし、以前の研究は主にノードが同じタイプを持つ一箇所の署名ネットワークに焦点を当てていた。 符号付き二部ネットワークは、2つの異なるノードセットと2つのノードセット間の符号付きリンクを含む古典的な符号付きネットワークとは異なる。 署名された二部ネットワークは、ビジネス、政治、学術など多くの分野で一般的に見られるが、あまり研究されていない。 本稿では,まず,同一ノードの集合の符号付き関係を定義し,符号付き2部ネットワークの解析のための新しい視点を提供する。 次に、複数の実世界のデータセットの2つの視点からバランス理論の包括的分析を行う。 具体的には, ピアレビューデータセットにおいて, 符号付きバイパートイトネットワークにおける平衡同型比は, 分配相後に増加することがわかった。 これら2つの観点から,符号付き二部グラフニューラルネットワーク(SBGNN)を提案し,符号付き二部グラフネットワークのノード埋め込みを学習する。 SBGNNは、ほとんどのGNNのメッセージパッシング方式に従っているが、新しいメッセージ関数、集約関数、署名された二部ネットワークのための更新関数を設計する。 署名されたネットワークの機械学習タスクであるLink Sign Predictionタスクにおいて,実世界の4つのデータセットに対するモデルの有効性を検証する。 実験の結果,sbgnnモデルは,機能ベース手法やネットワーク組込み手法など,強力なベースライン手法と比較して著しく改善した。

関連論文リスト

• Link Prediction in Bipartite Networks [1.7446992240872337]
  両部グラフを扱える19種類のリンク予測手法を比較した。 本稿では,新しいリンク予測手法として,グラフ畳み込みネットワーク(GCN)に基づくレコメンデーションシステムを提案する。 近年注目されているGCNベースのパーソナライズドレコメンデーションシステムは,バイパーティイトネットワークにおけるリンク予測に有効であることを示す。
  論文  参考訳（メタデータ） (2024-06-10T11:23:30Z)
• Improving Signed Propagation for Graph Neural Networks in Multi-Class Environments [3.4498722449655066]
  マルチクラスグラフにおける署名伝達を改善するための2つの新しい戦略を導入する。 提案手法はキャリブレーションとロバスト性の確保を両立させ,不確実性を低減させる。 6つのベンチマークグラフデータセットに対する広範な実験により,本定理の有効性を示す。
  論文  参考訳（メタデータ） (2023-01-21T08:47:22Z)
• 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)
• Multiplex Bipartite Network Embedding using Dual Hypergraph Convolutional Networks [16.62391694987056]
  非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。 リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
  論文  参考訳（メタデータ） (2021-02-12T07:20:36Z)
• SDGNN: Learning Node Representation for Signed Directed Networks [43.15277366961127]
  グラフニューラルネットワーク(gnns)は広く注目を集め、ノード表現の学習において最先端のパフォーマンスをもたらす。 これらのモデルを署名された有向ネットワークに転送するのは簡単なことではないが、実世界では広く観察されているが、あまり研究されていない。 我々は,符号付き有向ネットワークのノード埋め込みを学習するために,SDGNNと呼ばれる新しい符号付き有向グラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-07T06:15:07Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  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。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• 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)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。