論文の概要: A Scalable Inter-edge Correlation Modeling in CopulaGNN for Link Sign Prediction

• arxiv url: http://arxiv.org/abs/2601.19175v3
• Date: Mon, 02 Feb 2026 16:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:32.830894
• Title: A Scalable Inter-edge Correlation Modeling in CopulaGNN for Link Sign Prediction
• Title（参考訳）: CopulaGNNにおけるリンクサイン予測のためのスケーラブルなエッジ間相関モデル
• Authors: Jinkyu Sung, Myunggeum Jee, Joonseok Lee,
• Abstract要約: 符号付きグラフ上のリンクサイン予測は、エッジで表される関係が正か負かを決定するタスクである。 本研究の目的は,ガウスコーパスを用いて,エッジ間の遅延統計依存性を直接モデル化することである。 我々は、推定コストを劇的に削減するために条件付き確率分布を再構成する。
• 参考スコア（独自算出の注目度）: 16.783872312323393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link sign prediction on a signed graph is a task to determine whether the relationship represented by an edge is positive or negative. Since the presence of negative edges violates the graph homophily assumption that adjacent nodes are similar, regular graph methods have not been applicable without auxiliary structures to handle them. We aim to directly model the latent statistical dependency among edges with the Gaussian copula and its corresponding correlation matrix, extending CopulaGNN (Ma et al., 2021). However, a naive modeling of edge-edge relations is computationally intractable even for a graph with moderate scale. To address this, we propose to 1) represent the correlation matrix as a Gramian of edge embeddings, significantly reducing the number of parameters, and 2) reformulate the conditional probability distribution to dramatically reduce the inference cost. We theoretically verify scalability of our method by proving its linear convergence. Also, our extensive experiments demonstrate that it achieves significantly faster convergence than baselines, maintaining competitive prediction performance to the state-of-the-art models.
• Abstract（参考訳）: 符号付きグラフ上のリンクサイン予測は、エッジで表される関係が正か負かを決定するタスクである。 負の辺の存在は、隣接ノードが類似しているというグラフホモフィリーの仮定に反するので、通常のグラフ法はそれらを扱う補助構造がなければ適用できない。 本研究の目的は,CopulaGNN(Ma et al , 2021)を拡張し,ガウスコプラとその対応する相関行列を用いて,エッジ間の遅延統計的依存性を直接モデル化することである。 しかし、端縁関係の単純モデリングは、適度なスケールのグラフであっても計算的に難解である。 この問題に対処するため、我々は提案する。 1) 相関行列をエッジ埋め込みの文法として表現し、パラメータの数を著しく減らし、 2) 予測コストを劇的に削減するため, 条件付き確率分布を再構成する。 線形収束性を証明することによって,理論的に手法のスケーラビリティを検証する。 また,本実験により,ベースラインよりもはるかに高速な収束を実現し,最先端モデルとの競合予測性能を維持した。

関連論文リスト

• ExMAG: Learning of Maximally Ancestral Graphs [2.740961764574832]
  本稿では,最大祖先グラフを学習するためのスコアベース分岐切断アルゴリズムを提案する。 このアルゴリズムは最先端の手法よりも正確な結果を生成するが、中小の合成インスタンスではより高速に動作する。
  論文  参考訳（メタデータ） (2025-03-11T10:08:39Z)
• Edge Probability Graph Models Beyond Edge Independency: Concepts, Analyses, and Algorithms [40.154779118370875]
  好ましくないランダムグラフモデル(RGM)は、実世界のグラフで共通のパターンを再現すべきである。 一般的なRGM(例えばエルドス・レニイやクロネッカー)はエッジ確率を出力する。 エッジ独立性では、RGMは高いサブグラフ密度と高い出力変動を同時に生成できない。 高いトラクタビリティと可変性を維持しつつ、共通パターンをよりよく再現できるエッジ独立性を超えたRGMについて検討する。
  論文  参考訳（メタデータ） (2024-05-26T23:48:30Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• 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)
• An Interpretable Graph Generative Model with Heterophily [38.59200985962146]
  ヘテロフィリーを捉えるのに十分な表現性を持つ最初のエッジ非依存グラフ生成モデルを提案する。 我々の実験は、様々な重要なアプリケーションタスクに対して、我々のモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2021-11-04T17:34:39Z)
• Learning Sparse Graph with Minimax Concave Penalty under Gaussian Markov Random Fields [51.07460861448716]
  本稿では,データから学ぶための凸解析フレームワークを提案する。 三角凸分解はその上部に対応する変換によって保証されることを示す。
  論文  参考訳（メタデータ） (2021-09-17T17:46:12Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Does the $\ell_1$-norm Learn a Sparse Graph under Laplacian Constrained Graphical Models? [13.572602792770288]
  ラプラシアン制約ガウス図形モデルの下でグラフを学習する問題を考察する。 我々は、大きな正規化パラメータが驚くほど完全なグラフ、すなわちエッジで接続されたすべてのエッジにつながることを示した。
  論文  参考訳（メタデータ） (2020-06-26T12:06:10Z)
• Residual Correlation in Graph Neural Network Regression [39.54530450932135]
  我々は条件付き独立仮定が予測力を著しく制限していることを示します。 この問題を解釈可能かつ効率的なフレームワークで解決する。 我々のフレームワークは、競合するベースラインよりもかなり高い精度を実現している。
  論文  参考訳（メタデータ） (2020-02-19T16:32:54Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。