論文の概要: Signed Link Representation in Continuous-Time Dynamic Signed Networks
- arxiv url: http://arxiv.org/abs/2207.03408v1
- Date: Thu, 7 Jul 2022 16:26:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 17:13:55.157577
- Title: Signed Link Representation in Continuous-Time Dynamic Signed Networks
- Title（参考訳）: 連続時間動的符号ネットワークにおける符号付きリンク表現
- Authors: Mohit Raghavendra, Kartik Sharma, Anand Kumar M, Srijan Kumar
- Abstract要約: リンクが署名され、時間とともに進化する動的署名ネットワークについて研究する。
我々のモデルは、メモリモジュールとバランスアグリゲーションを使って符号付きリンクの進化を学習する。
結果,SEMBAは手話予測のタスクにおいて,すべてのベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 8.357273848305208
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Signed networks allow us to model bi-faceted relationships and interactions,
such as friend/enemy, support/oppose, etc. These interactions are often
temporal in real datasets, where nodes and edges appear over time. Learning the
dynamics of signed networks is thus crucial to effectively predict the sign and
strength of future links. Existing works model either signed networks or
dynamic networks but not both together. In this work, we study dynamic signed
networks where links are both signed and evolving with time. Our model learns a
Signed link's Evolution using Memory modules and Balanced Aggregation (hence,
the name SEMBA). Each node maintains two separate memory encodings for positive
and negative interactions. On the arrival of a new edge, each interacting node
aggregates this signed information with its memories while exploiting balance
theory. Node embeddings are generated using updated memories, which are then
used to train for multiple downstream tasks, including link sign prediction and
link weight prediction. Our results show that SEMBA outperforms all the
baselines on the task of sign prediction by achieving up to an 8% increase in
the AUC and up to a 50% reduction in FPR. Results on the task of predicting
signed weights show that SEMBA reduces the mean squared error by 9% while
achieving up to 69% reduction in the KL-divergence on the distribution of
predicted signed weights.
- Abstract（参考訳）: 署名されたネットワークは、友人/敵、サポート/提案など、双方向の関係や相互作用をモデル化することができます。
これらの相互作用は、ノードとエッジが時間とともに現れる実際のデータセットではしばしば一時的なものである。
したがって、符号付きネットワークのダイナミクスを学ぶことは、将来のリンクの符号と強度を効果的に予測するために不可欠である。
既存のワークモデルは、署名されたネットワークまたは動的ネットワークのいずれかをモデル化する。
本研究では,時間とともにリンクが署名され,進化する動的署名ネットワークについて検討する。
我々のモデルは、メモリモジュールとバランスアグリゲーション(SEMBAという名前)を使って符号付きリンクの進化を学習する。
各ノードは、正と負の相互作用のための2つの別々のメモリエンコーディングを保持する。
新たなエッジが到着すると、各ノードはバランス理論を活用しながら、この署名された情報をメモリに集約する。
ノード埋め込みは更新されたメモリを使用して生成され、リンクサイン予測やリンクウェイト予測など、複数の下流タスクのトレーニングに使用される。
以上の結果から,SEMBAはAUCの最大8%,FPRの最大50%の低下を達成し,サイン予測のタスクにおけるベースラインを全て上回る結果となった。
符号付重みの予測は,平均二乗誤差を9%削減し,kl-divergenceを最大69%削減できることを示した。
関連論文リスト
- Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - SigGAN : Adversarial Model for Learning Signed Relationships in Networks [2.0277446818410994]
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。
論文 参考訳（メタデータ） (2022-01-17T14:53:30Z) - 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) - Signed Bipartite Graph Neural Networks [42.32959912473691]
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。
論文 参考訳（メタデータ） (2021-08-22T05:15:45Z) - 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) - 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) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - 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) - Social Science Guided Feature Engineering: A Novel Approach to Signed
Link Analysis [58.892336054718825]
リンク分析に関する既存の研究のほとんどは、符号なしのソーシャルネットワークに焦点を当てている。
負のリンクの存在は、符号付きネットワークの特性と原則が符号なしネットワークと異なるかどうかを調査することに関心を持つ。
近年の研究では、符号付きネットワークの特性が符号なしネットワークの特性と大きく異なることが示唆されている。
論文 参考訳（メタデータ） (2020-01-04T00:26:05Z)
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。