論文の概要: A Signed Subgraph Encoding Approach via Linear Optimization for Link Sign Prediction

• arxiv url: http://arxiv.org/abs/2305.09869v1
• Date: Wed, 17 May 2023 00:46:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 18:03:02.039177
• Title: A Signed Subgraph Encoding Approach via Linear Optimization for Link Sign Prediction
• Title（参考訳）: リンク信号予測のための線形最適化による符号付きサブグラフ符号化手法
• Authors: Zhihong Fang and Shaolin Tan and Yaonan Wang
• Abstract要約: 提案モデルでは,符号付きネットワークのエッジ埋め込み学習にサブグラフ符号化手法を用いる。 評価指標として、AUC、F1、micro-F1、Macro-F1の6つの実世界の署名ネットワークで総合的な実験が行われた。
• 参考スコア（独自算出の注目度）: 22.66087811662708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we consider the problem of inferring the sign of a link based on limited sign data in signed networks. Regarding this link sign prediction problem, SDGNN (Signed Directed Graph Neural Networks) provides the best prediction performance currently to the best of our knowledge. In this paper, we propose a different link sign prediction architecture call SELO (Subgraph Encoding via Linear Optimization), which obtains overall leading prediction performances compared the state-of-the-art algorithm SDGNN. The proposed model utilizes a subgraph encoding approach to learn edge embeddings for signed directed networks. In particular, a signed subgraph encoding approach is introduced to embed each subgraph into a likelihood matrix instead of the adjacency matrix through a linear optimization method. Comprehensive experiments are conducted on six real-world signed networks with AUC, F1, micro-F1, and Macro-F1 as the evaluation metrics. The experiment results show that the proposed SELO model outperforms existing baseline feature-based methods and embedding-based methods on all the six real-world networks and in all the four evaluation metrics.
• Abstract（参考訳）: 本稿では,署名ネットワークにおける限定的な符号データに基づいて,リンクの符号を推測する問題を考える。 このリンクサイン予測問題に関して、SDGNN(Signed Directed Graph Neural Networks)は、現在私たちの知る限り最高の予測性能を提供する。 本稿では,最先端アルゴリズムであるsdgnnと比較し,全体的な先行予測性能を得るための,異なるリンク符号予測アーキテクチャであるselo (subgraph encoding via linear optimization)を提案する。 提案モデルでは,符号付き有向ネットワークのエッジ埋め込み学習にサブグラフ符号化手法を用いる。 特に、符号付きサブグラフ符号化手法を導入し、線形最適化法により、各サブグラフを隣接行列の代わりに確率行列に埋め込む。 評価指標として, auc, f1, micro-f1, macro-f1を用いた6つの実世界の署名ネットワークを用いた総合実験を行った。 実験の結果,提案手法は6つの実世界ネットワークと4つの評価指標すべてにおいて,既存の基本機能ベース手法と組込みベース手法に勝ることがわかった。

関連論文リスト

• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価するための統一的なフレームワークを提案し,二重埋め込みとデコーダ設計が性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Graph-Sequential Alignment and Uniformity: Toward Enhanced Recommendation Systems [51.716704243764994]
  我々のフレームワークはグラフニューラルネットワーク(GNN)ベースのシーケンシャルレコメンデータを別個のサブモジュールとして使用し、同時に最適化された統合埋め込み空間を共同で共有する。 3つの実世界のデータセットの実験により、提案手法はどちらのアプローチも単独で大幅に性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-12-05T15:59:05Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Generative Graph Neural Networks for Link Prediction [13.643916060589463]
  欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。 本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。 リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2022-12-31T10:07:19Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• GLAN: A Graph-based Linear Assignment Network [29.788755291070462]
  深層グラフネットワークに基づく学習可能な線形代入問題の解法を提案する。 合成データセットによる実験結果から,本手法は最先端のベースラインよりも優れていることがわかった。 また,提案手法を一般的なマルチオブジェクトトラッキング(MOT)フレームワークに組み込んで,エンド・ツー・エンドでトラッカーをトレーニングする。
  論文  参考訳（メタデータ） (2022-01-05T13:18:02Z)
• SLGCN: Structure Learning Graph Convolutional Networks for Graphs under Heterophily [5.619890178124606]
  本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。 具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。 幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-28T13:00:38Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。