論文の概要: Balancing Augmentation with Edge-Utility Filter for Signed GNNs
- arxiv url: http://arxiv.org/abs/2310.16862v1
- Date: Wed, 25 Oct 2023 07:15:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 00:05:51.482085
- Title: Balancing Augmentation with Edge-Utility Filter for Signed GNNs
- Title（参考訳）: 符号付きGNNのためのエッジユーティリティフィルタによるバランシング強化
- Authors: Ke-Jia Chen, Yaming Ji, Youran Qu, Chuhan Xu
- Abstract要約: 署名付きグラフニューラルネットワーク(SGNN)は、多くの現実世界のネットワークが2種類のエッジを含む署名付きネットワークであるため、近年注目を集めている。
負のエッジの存在は2つの側面においてSGNNのロバスト性に影響を与える。
本稿では,SGNNにおける上記の2つの側面に対処するバランス強化手法を提案する。まず,不均衡構造における各負のエッジの発生を計算して,各負のエッジの有用性を計測し,第2に,(1)エッジレギュレータを用いて原符号グラフを選択的に拡張する。
- 参考スコア（独自算出の注目度）: 0.20482269513546458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Signed graph neural networks (SGNNs) has recently drawn more attention as
many real-world networks are signed networks containing two types of edges:
positive and negative. The existence of negative edges affects the SGNN
robustness on two aspects. One is the semantic imbalance as the negative edges
are usually hard to obtain though they can provide potentially useful
information. The other is the structural unbalance, e.g. unbalanced triangles,
an indication of incompatible relationship among nodes. In this paper, we
propose a balancing augmentation method to address the above two aspects for
SGNNs. Firstly, the utility of each negative edge is measured by calculating
its occurrence in unbalanced structures. Secondly, the original signed graph is
selectively augmented with the use of (1) an edge perturbation regulator to
balance the number of positive and negative edges and to determine the ratio of
perturbed edges to original edges and (2) an edge utility filter to remove the
negative edges with low utility to make the graph structure more balanced.
Finally, a SGNN is trained on the augmented graph which effectively explores
the credible relationships. A detailed theoretical analysis is also conducted
to prove the effectiveness of each module. Experiments on five real-world
datasets in link prediction demonstrate that our method has the advantages of
effectiveness and generalization and can significantly improve the performance
of SGNN backbones.
- Abstract（参考訳）: 署名付きグラフニューラルネットワーク(SGNN)は、多くの現実世界のネットワークが2種類のエッジを含む署名付きネットワークであるため、近年注目を集めている。
負のエッジの存在は、2つの側面においてSGNNの堅牢性に影響を与える。
ひとつは意味的不均衡であり、負のエッジは通常入手が難しいが、潜在的に有用な情報を提供することができる。
もう1つは構造的不均衡、例えば不平衡三角形であり、ノード間の不整合関係を示す。
本稿では,SGNNにおける上記の2つの側面に対処するバランス強化手法を提案する。
まず、不平衡構造における各負縁の効用を計算して測定する。
次に、(1)エッジ摂動レギュレータを用いて、正のエッジ数と負のエッジ数とをバランスさせ、また、摂動したエッジと元のエッジとの比率を判定し、(2)負のエッジを低いユーティリティで除去し、グラフ構造をよりバランスさせるエッジユーティリティフィルタを用いて、元のサイン付きグラフを選択的に拡張する。
最後に、SGNNは、信頼できる関係を効果的に探求する拡張グラフに基づいて訓練される。
また,各モジュールの有効性を証明するための詳細な理論的解析を行った。
リンク予測における5つの実世界のデータセット実験により,本手法は有効性と一般化の利点があり,SGNNバックボーンの性能を著しく向上させることができることを示した。
関連論文リスト
- Oversmoothing as Loss of Sign: Towards Structural Balance in Graph Neural Networks [54.62268052283014]
オーバースムーシングはグラフニューラルネットワーク(GNN)において一般的な問題である
反過剰化手法の3つの主要なクラスは、数学的に符号付きグラフ上のメッセージパッシングと解釈できる。
負のエッジはノードをある程度撃退することができ、これらのメソッドが過剰なスムースを緩和する方法に関する深い洞察を提供する。
論文 参考訳（メタデータ） (2025-02-17T03:25:36Z) - Why Does Dropping Edges Usually Outperform Adding Edges in Graph Contrastive Learning? [54.44813218411879]
グラフがネットワークにどのように適合するかを定量化するために、新しいメトリック、すなわちエラー通過率(EPR)を導入する。
理論的な結論とポジティブ・インセンティブ雑音のアイデアに触発されて、我々は新しいGCLアルゴリズム、エラー・パッシングに基づくグラフコントラスト学習(EPAGCL)を提案する。
EPRから得られる重みに基づいてエッジの追加とドロップによりビューを生成する。
論文 参考訳（メタデータ） (2024-12-11T06:31:06Z) - ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。
GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。
本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
論文 参考訳（メタデータ） (2024-03-14T08:31:39Z) - Learning to Reweight for Graph Neural Network [63.978102332612906]
グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。
既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。
本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
論文 参考訳（メタデータ） (2023-12-19T12:25:10Z) - Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。
本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。
これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
論文 参考訳（メタデータ） (2023-10-14T07:02:54Z) - Finding Heterophilic Neighbors via Confidence-based Subgraph Matching
for Semi-supervised Node Classification [1.3190581566723918]
グラフニューラルネットワーク(GNN)は多くのグラフベースのアプリケーションで強力であることが証明されている。
しかし、それらはヘテロ親和的な設定でうまく一般化することができない。
論文 参考訳（メタデータ） (2023-02-20T04:23:34Z) - ES-GNN: Generalizing Graph Neural Networks Beyond Homophily with Edge Splitting [32.69196871253339]
本稿では,学習タスクに関係のないグラフエッジを適応的に識別する新しいエッジ分割GNN(ES-GNN)フレームワークを提案する。
本稿では,ES-GNNを非交叉グラフ記述問題の解とみなすことができることを示す。
論文 参考訳（メタデータ） (2022-05-27T01:29:03Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - Relation-aware Graph Attention Model With Adaptive Self-adversarial
Training [29.240686573485718]
本稿では,不均一なマルチリレーショナルグラフにおける関係予測タスクのエンドツーエンドソリューションについて述べる。
特にパイプライン内の2つのビルディングブロック、すなわちヘテロジニアスグラフ表現学習と負のサンプリングに対処する。
パラメータフリーな負のサンプリング手法であるadaptive self-adversarial (asa) 負のサンプリングを導入する。
論文 参考訳（メタデータ） (2021-02-14T16:11:56Z)
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。