論文の概要: GegenNet: Spectral Convolutional Neural Networks for Link Sign Prediction in Signed Bipartite Graphs
- arxiv url: http://arxiv.org/abs/2508.19907v1
- Date: Wed, 27 Aug 2025 14:10:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-28 19:07:41.659554
- Title: GegenNet: Spectral Convolutional Neural Networks for Link Sign Prediction in Signed Bipartite Graphs
- Title（参考訳）: GegenNet: サイン付き二部グラフにおけるリンクサイン予測のためのスペクトル畳み込みニューラルネットワーク
- Authors: Hewen Wang, Renchi Yang, Xiaokui Xiao,
- Abstract要約: 本稿では,二部グラフにおけるリンクサイン予測のための新しい,効果的なスペクトル畳み込みニューラルネットワークモデルを提案する。
GegenNetは,3つの主要な技術貢献を通じて,モデルキャパシティの向上と予測精度の向上を実現している。
- 参考スコア（独自算出の注目度）: 30.96421507159302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given a signed bipartite graph (SBG) G with two disjoint node sets U and V, the goal of link sign prediction is to predict the signs of potential links connecting U and V based on known positive and negative edges in G. The majority of existing solutions towards link sign prediction mainly focus on unipartite signed graphs, which are sub-optimal due to the neglect of node heterogeneity and unique bipartite characteristics of SBGs. To this end, recent studies adapt graph neural networks to SBGs by introducing message-passing schemes for both inter-partition (UxV) and intra-partition (UxU or VxV) node pairs. However, the fundamental spectral convolutional operators were originally designed for positive links in unsigned graphs, and thus, are not optimal for inferring missing positive or negative links from known ones in SBGs. Motivated by this, this paper proposes GegenNet, a novel and effective spectral convolutional neural network model for link sign prediction in SBGs. In particular, GegenNet achieves enhanced model capacity and high predictive accuracy through three main technical contributions: (i) fast and theoretically grounded spectral decomposition techniques for node feature initialization; (ii) a new spectral graph filter based on the Gegenbauer polynomial basis; and (iii) multi-layer sign-aware spectral convolutional networks alternating Gegenbauer polynomial filters with positive and negative edges. Our extensive empirical studies reveal that GegenNet can achieve significantly superior performance (up to a gain of 4.28% in AUC and 11.69% in F1) in link sign prediction compared to 11 strong competitors over 6 benchmark SBG datasets.
- Abstract（参考訳）: 符号付き二部グラフ (SBG) G と2つの分節ノード集合 U と V が与えられた場合、リンクサイン予測の目標は、G の既知の正および負のエッジに基づいて、U と V を接続する潜在的なリンクの兆候を予測することである。
この目的のために、近年の研究では、分割間(UxV)と分割間(UxUまたはVxV)の両方のノード対に対するメッセージパッシングスキームを導入して、グラフニューラルネットワークをSBGに適用している。
しかし、基本的なスペクトル畳み込み作用素は元々符号なしグラフの正のリンクのために設計されており、SBGの既知のリンクから正のリンクや負のリンクを推測するのに最適ではない。
そこで本研究では,SBGにおけるリンクサイン予測のための新しい,効果的なスペクトル畳み込みニューラルネットワークモデルであるGegenNetを提案する。
特にGegenNetは,3つの主要な技術コントリビューションを通じて,モデルキャパシティの向上と予測精度の向上を実現している。
(i)ノード特徴の初期化のための高速かつ理論的に基底化されたスペクトル分解技術
(ii)ゲゲンバウアー多項式に基づく新しいスペクトルグラフフィルタ、及び
3) ゲゲンバウアー多項式フィルタと正および負のエッジを交互に交互に行う多層信号認識スペクトル畳み込みネットワーク。
我々の広範な実証研究により、GegenNetは6つのベンチマークSBGデータセットよりも11の強力な競合相手と比較して、リンクサイン予測においてかなり優れたパフォーマンス(AUCでは4.28%、F1では11.69%)を達成できることが明らかになった。
関連論文リスト
- Optimizing Long-tailed Link Prediction in Graph Neural Networks through Structure Representation Enhancement [10.391984756322433]
リンク予測はグラフニューラルネットワーク(GNN)の基本課題である
近年の研究では, 疎結合による低次ノードの低次ノード性能が明らかにされている。
本稿では,リンク予測におけるテールノードペアの性能向上を目的とした,Long-tailed framework(LTLP)を提案する。
論文 参考訳（メタデータ） (2024-07-30T02:20:38Z) - Neural Tangent Kernels Motivate Graph Neural Networks with
Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。
その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。
これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文 参考訳（メタデータ） (2023-10-16T19:54:21Z) - Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。
最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
論文 参考訳（メタデータ） (2023-06-24T10:21:11Z) - Improving Signed Propagation for Graph Neural Networks in Multi-Class Environments [3.4498722449655066]
マルチクラスグラフにおける署名伝達を改善するための2つの新しい戦略を導入する。
提案手法はキャリブレーションとロバスト性の確保を両立させ,不確実性を低減させる。
6つのベンチマークグラフデータセットに対する広範な実験により,本定理の有効性を示す。
論文 参考訳（メタデータ） (2023-01-21T08:47:22Z) - Signed Graph Neural Networks: A Frequency Perspective [14.386571627652975]
グラフ畳み込みネットワーク(GCN)は、正のリンクのみを含む符号なしグラフ用に設計されている。
我々は2つの異なる符号付きグラフニューラルネットワークを提案し、その1つは低周波情報のみを保持し、もう1つは高周波情報を保持する。
論文 参考訳（メタデータ） (2022-08-15T16:42:18Z) - Hyperspectral Image Classification With Contrastive Graph Convolutional
Network [38.43072371303967]
スペクトル情報と空間関係の両方に含まれる監視信号を調べるために,比較学習を伴うグラフ畳み込みネットワーク(GCN)モデルを提案する。
4つの典型的なベンチマークデータセットの実験結果は、定性的および定量的両面において提案したConGCNの有効性を確証している。
論文 参考訳（メタデータ） (2022-05-11T12:06:37Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳（メタデータ） (2022-05-07T04:11:23Z) - 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) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - Scattering GCN: Overcoming Oversmoothness in Graph Convolutional
Networks [0.0]
グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。
本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。
前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
論文 参考訳（メタデータ） (2020-03-18T18:03:08Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。