論文の概要: SigGAN : Adversarial Model for Learning Signed Relationships in Networks

• arxiv url: http://arxiv.org/abs/2201.06437v1
• Date: Mon, 17 Jan 2022 14:53:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-20 10:03:03.256598
• Title: SigGAN : Adversarial Model for Learning Signed Relationships in Networks
• Title（参考訳）: SigGAN : ネットワークにおける有意関係の学習モデル
• Authors: Roshni Chakraborty, Ritwika Das, Joydeep Chandra
• Abstract要約: 本稿では,署名ネットワークSigGANのためのGANベースモデルを提案する。 負のエッジからの情報の統合、正のエッジ数と負のエッジ数における高い不均衡、構造バランス理論などの符号付きネットワークの要件を考察する。
• 参考スコア（独自算出の注目度）: 2.0277446818410994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Signed link prediction in graphs is an important problem that has applications in diverse domains. It is a binary classification problem that predicts whether an edge between a pair of nodes is positive or negative. Existing approaches for link prediction in unsigned networks cannot be directly applied for signed link prediction due to their inherent differences. Further, additional structural constraints, like, the structural balance property of the signed networks must be considered for signed link prediction. Recent signed link prediction approaches generate node representations using either generative models or discriminative models. Inspired by the recent success of Generative Adversarial Network (GAN) based models which comprises of a discriminator and generator in several applications, we propose a Generative Adversarial Network (GAN) based model for signed networks, SigGAN. It considers the requirements of signed networks, such as, integration of information from negative edges, high imbalance in number of positive and negative edges and structural balance theory. Comparing the performance with state of the art techniques on several real-world datasets validates the effectiveness of SigGAN.
• Abstract（参考訳）: グラフにおける符号付きリンク予測は、様々な領域に適用できる重要な問題である。 一対のノード間のエッジが正か負かを予測する二項分類問題である。 非符号ネットワークにおけるリンク予測の既存のアプローチは、その固有の差異のため、符号付きリンク予測に直接適用することはできない。 さらに、署名されたネットワークの構造的バランス特性は、署名されたリンク予測のために考慮されなければならない。 最近の符号付きリンク予測手法は、生成モデルまたは識別モデルを用いてノード表現を生成する。 識別器と生成器からなるgan(generative adversarial network)ベースのモデルが最近成功したことに着想を得て,署名ネットワークのためのgan(generative adversarial network)ベースのモデルであるsigganを提案する。 負のエッジからの情報の統合、正のエッジ数と負のエッジ数における高い不均衡、構造バランス理論などの符号付きネットワークの要件を考察する。 SigGANの有効性を検証するために,複数の実世界のデータセットにおける技術技術の性能比較を行った。

関連論文リスト

• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Link Prediction with Contextualized Self-Supervision [63.25455976593081]
  リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-25T03:12:32Z)
• wsGAT: Weighted and Signed Graph Attention Networks for Link Prediction [0.0]
  グラフニューラルネットワーク(GNN)は、グラフの表現を学習し、現実世界の多くの問題に取り組むために広く利用されている。 我々は,グラフアテンションネットワーク(GAT)層の拡張であるwsGATを提案し,符号付きおよび重み付きリンクでグラフを処理する。 以上の結果から,wsGAT層を用いたモデルはGCNII層やSGCN層よりも優れており,符号付き重みが予測されると性能が低下しないことがわかった。
  論文  参考訳（メタデータ） (2021-09-21T12:07:51Z)
• 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)
• 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)
• 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)
• CSNE: Conditional Signed Network Embedding [77.54225346953069]
  署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。 サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。 条件付き符号付きネットワーク埋め込み(CSNE)を導入する。 我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
  論文  参考訳（メタデータ） (2020-05-19T19:14:52Z)

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。