論文の概要: Learning Disentangled Representations in Signed Directed Graphs without Social Assumptions

• arxiv url: http://arxiv.org/abs/2307.03077v1
• Date: Thu, 6 Jul 2023 15:45:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 13:37:42.467954
• Title: Learning Disentangled Representations in Signed Directed Graphs without Social Assumptions
• Title（参考訳）: 社会的仮定を伴わない有向グラフにおける不連続表現の学習
• Authors: Geonwoo Ko and Jinhong Jung
• Abstract要約: 本研究では,符号付き有向グラフにおける不整合ノード表現を学習するための新しい手法であるDINESを提案する。 また,因子間の相関を考慮し,エッジの符号を効果的に分類するデコーダを提案する。 本研究では,不整合ノード表現を効果的に学習し,符号予測タスクにおいて競合相手を著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 3.4012007729454816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed graphs are complex systems that represent trust relationships or preferences in various domains. Learning node representations in such graphs is crucial for many mining tasks. Although real-world signed relationships can be influenced by multiple latent factors, most existing methods often oversimplify the modeling of signed relationships by relying on social theories and treating them as simplistic factors. This limits their expressiveness and their ability to capture the diverse factors that shape these relationships. In this paper, we propose DINES, a novel method for learning disentangled node representations in signed directed graphs without social assumptions. We adopt a disentangled framework that separates each embedding into distinct factors, allowing for capturing multiple latent factors. We also explore lightweight graph convolutions that focus solely on sign and direction, without depending on social theories. Additionally, we propose a decoder that effectively classifies an edge's sign by considering correlations between the factors. To further enhance disentanglement, we jointly train a self-supervised factor discriminator with our encoder and decoder. Throughout extensive experiments on real-world signed directed graphs, we show that DINES effectively learns disentangled node representations, and significantly outperforms its competitors in the sign prediction task.
• Abstract（参考訳）: 符号付きグラフは、様々な領域における信頼関係や嗜好を表す複雑なシステムである。 このようなグラフでノード表現を学ぶことは、多くのマイニングタスクにとって重要です。 現実世界のサイン付き関係は複数の潜在要因に影響される可能性があるが、ほとんどの既存の手法は、しばしば社会理論に頼り、それらを単純化された要因として扱うことによって、署名付き関係のモデリングを単純化する。 これは、それらの表現力とそれらの関係を形作る多様な要因を捉える能力を制限する。 本稿では,符号付き有向グラフにおける不連続ノード表現を社会的仮定なしに学習する新しい手法である dines を提案する。 それぞれの埋め込みを異なる要因に分けて、複数の潜伏要因をキャプチャする、アンタングル化フレームワークを採用しています。 また,社会理論によらず,サインや方向のみに焦点を当てた軽量グラフ畳み込みについても検討した。 さらに,因子間の相関を考慮し,エッジの符号を効果的に分類するデコーダを提案する。 さらに, エンコーダとデコーダを併用して, 自己教師付き因子判別器の訓練を行った。 実世界の符号付き有向グラフに関する広範な実験を通して、DINESは効果的に絡み合ったノード表現を学習し、符号予測タスクにおいて競合相手よりも大幅に優れていることを示す。

関連論文リスト

• Learning Network Representations with Disentangled Graph Auto-Encoder [1.671868610555776]
  DGA(Disentangled Graph Auto-Encoder)とDVGA(Disentangled Variational Graph Auto-Encoder)を導入する。 DGAは、エンコーダとして機能するマルチチャネルメッセージパッシング層を備えた畳み込みネットワークである。 DVGAは非交叉表現の特徴を考慮に入れた因子的デコーダである。
  論文  参考訳（メタデータ） (2024-02-02T04:52:52Z)
• Synergistic Signals: Exploiting Co-Engagement and Semantic Links via Graph Neural Networks [4.261438296177923]
  この問題をNetflixのコンテキストレコメンデータシステムで研究する。 本稿では,SemanticGNNと呼ばれるグラフベースの新しいアプローチを提案する。 1)グラフ内の関係型の不均衡分布を処理するための新しい関係認識型注目グラフニューラルネットワーク(GNN)を開発し,(2)数百万のノードと数十億のエッジを持つWebスケールグラフデータを処理するために,分散グラフトレーニングパラダイムを開発した。
  論文  参考訳（メタデータ） (2023-12-07T06:29:26Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Signed Directed Graph Contrastive Learning with Laplacian Augmentation [1.3535770763481905]
  グラフの対比学習は、いくつかのグラフマイニングタスクにおいて強力なテクニックとなっている。 本稿では,新しい署名指向グラフコントラスト学習,SDGCLを提案する。 2つの異なる構造的摂動グラフビューを作成し、磁気ラプラシア摂動を通してノード表現を得る。
  論文  参考訳（メタデータ） (2023-01-12T17:32:19Z)
• Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
  ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。 新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。 RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
  論文  参考訳（メタデータ） (2022-06-16T01:28:40Z)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• Graph-wise Common Latent Factor Extraction for Unsupervised Graph Representation Learning [40.70562886682939]
  我々は、教師なしグラフ表現学習のための新しい原則を提案する:グラフワイド共通潜在因子抽出(GCFX) GCFXは入力グラフから一般的な潜伏因子を明示的に抽出し、現在の最先端のタスクで改善された結果を達成する。 広範囲な実験と分析により,GCFXは個々のノードや周辺地域の局所的な変動による障害を軽減するため,グラフレベルのタスクに有用であることを示す。
  論文  参考訳（メタデータ） (2021-12-16T12:22:49Z)
• Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
  基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。 この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T18:44:37Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)

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。