論文の概要: A generalized motif-based Naïve Bayes model for sign prediction in complex networks

• arxiv url: http://arxiv.org/abs/2512.22765v1
• Date: Sun, 28 Dec 2025 03:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.211041
• Title: A generalized motif-based Naïve Bayes model for sign prediction in complex networks
• Title（参考訳）: 複素ネットワークにおける符号予測のための一般化モチーフに基づくナイーブベイズモデル
• Authors: Yijun Ran, Si-Yuan Liu, Junjie Huang, Tao Jia, Xiao-Ke Xu,
• Abstract要約: 近隣ノードの不均一な影響を明示的にモデル化する一般化可能な符号予測フレームワークを提案する。 我々のフレームワークは、オンラインプラットフォームにおける信頼とセキュリティを強化するための実践的な意味を持って、予測に署名するための効果的で理論的に根ざしたソリューションを提供する。
• 参考スコア（独自算出の注目度）: 8.638615549291407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed networks, encoding both positive and negative interactions, are essential for modeling complex systems in social and financial domains. Sign prediction, which infers the sign of a target link, has wide-ranging practical applications. Traditional motif-based Naïve Bayes models assume that all neighboring nodes contribute equally to a target link's sign, overlooking the heterogeneous influence among neighbors and potentially limiting performance. To address this, we propose a generalizable sign prediction framework that explicitly models the heterogeneity. Specifically, we design two role functions to quantify the differentiated influence of neighboring nodes. We further extend this approach from a single motif to multiple motifs via two strategies. The generalized multiple motifs-based Naïve Bayes model linearly combines information from diverse motifs, while the Feature-driven Generalized Motif-based Naïve Bayes (FGMNB) model integrates high-dimensional motif features using machine learning. Extensive experiments on four real-world signed networks show that FGMNB consistently outperforms five state-of-the-art embedding-based baselines on three of these networks. Moreover, we observe that the most predictive motif structures differ across datasets, highlighting the importance of local structural patterns and offering valuable insights for motif-based feature engineering. Our framework provides an effective and theoretically grounded solution to sign prediction, with practical implications for enhancing trust and security in online platforms.
• Abstract（参考訳）: 正と負の両方の相互作用を符号化する符号付きネットワークは、社会と金融の複雑なシステムのモデリングに不可欠である。 ターゲットリンクの符号を推測する符号予測は、広範囲に応用されている。 伝統的なモチーフベースのナイーブベイズモデルは、すべての隣接するノードが、隣人の異質な影響を見越し、潜在的に性能を制限し、標的リンクの符号に等しく寄与していると仮定する。 これを解決するために,不均一性を明示的にモデル化する一般化可能な手話予測フレームワークを提案する。 具体的には,隣接するノードの差分の影響を定量化する2つの役割関数を設計する。 このアプローチを1つのモチーフから2つの戦略を通じて複数のモチーフに拡張する。 一般化多重モチーフベースのナイーブベイズモデルは様々なモチーフからの情報を線形に結合する一方、特徴駆動一般化モチーフベースのナイーブベイズ(FGMNB)モデルは機械学習を用いて高次元モチーフ特徴を統合する。 4つの実世界の署名ネットワークに対する大規模な実験により、FGMNBは3つのネットワークに対して、最先端の埋め込みベースのベースラインを一貫して上回っている。 さらに、最も予測的なモチーフ構造はデータセットによって異なり、局所的な構造パターンの重要性を強調し、モチーフに基づく機能エンジニアリングに貴重な洞察を提供する。 我々のフレームワークは、オンラインプラットフォームにおける信頼とセキュリティを強化するための実践的な意味を持って、予測に署名するための効果的で理論的に根ざしたソリューションを提供する。

関連論文リスト

• On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
  レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。 このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。 実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
  論文  参考訳（メタデータ） (2025-12-08T10:19:43Z)
• FIGNN: Feature-Specific Interpretability for Graph Neural Network Surrogate Models [0.0]
  本研究は,新しいグラフニューラルネットワークアーキテクチャであるFeature-specific Interpretable Graph Neural Network (FIGNN)を提案する。 FIGNNは、科学的応用において非構造化グリッド上で定義されたディープラーニングサロゲートモデルの解釈可能性を高めるように設計されている。
  論文  参考訳（メタデータ） (2025-06-13T01:45:37Z)
• Foundation Models Secretly Understand Neural Network Weights: Enhancing Hypernetwork Architectures with Foundation Models [0.7366405857677227]
  基盤モデルはTransformerベースのアーキテクチャでハイパーネットワークをどのように改善するかを示す。 我々は、一般化可能なINRタスクのレンズを通して、ハイパーネットの基盤モデルの利点を実証分析する。
  論文  参考訳（メタデータ） (2025-03-02T10:20:02Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Neural Networks Decoded: Targeted and Robust Analysis of Neural Network Decisions via Causal Explanations and Reasoning [9.947555560412397]
  本稿では、因果推論理論に基づく新しい手法TRACERを紹介し、DNN決定の根底にある因果ダイナミクスを推定する。 提案手法は入力特徴に系統的に介入し,特定の変化がネットワークを介してどのように伝播するかを観察し,内部の活性化と最終的な出力に影響を与える。 TRACERはさらに、モデルバイアスの可能性のある反ファクトを生成することで説明可能性を高め、誤分類に対する対照的な説明を提供する。
  論文  参考訳（メタデータ） (2024-10-07T20:44:53Z)
• Towards Graph Foundation Models for Personalization [9.405827216171629]
  本稿では、パーソナライズに適したグラフベースの基礎モデリング手法を提案する。 当社のアプローチは厳格にテストされ、さまざまな製品にレコメンデーションを提供する上で有効であることが証明されています。
  論文  参考訳（メタデータ） (2024-03-12T10:12:59Z)
• Polynomial Networks in Deep Classifiers [55.90321402256631]
  我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。 私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。 提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
  論文  参考訳（メタデータ） (2021-04-16T06:41:20Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)
• GAHNE: Graph-Aggregated Heterogeneous Network Embedding [32.44836376873812]
  異種ネットワーク埋め込みは、ノードを低次元ベクトルに埋め込み、異種ネットワークの豊富な本質的な情報を捕捉することを目的としている。 既存のモデルは、手動でメタパスを設計するか、異なるセマンティクス間の相互効果を無視するか、あるいはグローバルネットワークからの情報のいくつかの側面を省略する。 GAHNEモデルでは、異なる単一タイプのサブネットワークからのセマンティック表現を集約する機構を開発し、グローバル情報を最終埋め込みに融合させる。
  論文  参考訳（メタデータ） (2020-12-23T07:11:30Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Obtaining Faithful Interpretations from Compositional Neural Networks [72.41100663462191]
  NLVR2およびDROPデータセット上でNMNの中間出力を評価する。 中間出力は期待出力と異なり,ネットワーク構造がモデル動作の忠実な説明を提供していないことを示す。
  論文  参考訳（メタデータ） (2020-05-02T06:50:35Z)

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。