論文の概要: Polarity-Asymmetric Structural Calibration for Link Sign Prediction
- arxiv url: http://arxiv.org/abs/2609.05896v1
- Date: Sat, 05 Sep 2026 05:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.164303
- Title: Polarity-Asymmetric Structural Calibration for Link Sign Prediction
- Title（参考訳）: リンクサイン予測のための極性非対称構造校正
- Abstract要約: Polarity-Asymmetric Structure (PASC) は、符号付きリンク予測のためのターゲットエッジ構造優先キャリブレーションフレームワークである。
これは、アテンションアグリゲーション、ターゲットエッジ融合ゲート、レギュラー適応最適化を校正する。
5つの実世界の署名されたネットワークデータセットの実験は、PASCが常に最高のMacro-F1を達成することを示している。
- 参考スコア（独自算出の注目度）: 1.7375996008592434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link sign prediction (LSP) aims to infer the positive or negative polarity of unobserved links in signed networks. Signed Graph Neural Networks (SGNNs) usually rely on signed-graph structural priors, including structural balance and homophily-like similarity, to guide message passing and prediction. These priors describe population-level tendencies, not guarantees for individual target edges. Their failures are especially costly under severe sign imbalance, where errors on minority and locally conflicting relations are harder to detect and correct. We propose Polarity-Asymmetric Structural Calibration (PASC), a target-edge structural-prior calibration framework for signed link prediction. PASC constructs a structure-only prior representation, estimates a target-edge structural prior score, and compares this score with a local signed-context cue to derive a conflict residual. The residual calibrates signed attention aggregation, target-edge gated fusion, and regime-adaptive optimization. Experiments on five real-world signed network datasets show that PASC consistently achieves the best Macro-F1 among representative baselines, with competitive AUC, Binary-F1, and Micro-F1. Structural-shift experiments further suggest reduced dependence on dense-neighborhood and local-closure shortcuts. Source code is available at https://github.com/iqqGGGGGGG/PASC-for-LSP.
- Abstract（参考訳）: リンクサイン予測(LSP)は、符号付きネットワークにおける未観測リンクの正あるいは負の極性を推測することを目的としている。
サイン付きグラフニューラルネットワーク(SGNN)は、通常、メッセージパッシングと予測を導くために、構造バランスやホモフィリーのような類似性を含む署名付きグラフの構造的前提に依存している。
これらの先行は、個々のターゲットエッジの保証ではなく、人口レベルの傾向を記述している。
彼らの失敗は、特に深刻なサインの不均衡の下でコストがかかり、少数派と地方で矛盾する関係の誤りを検知し修正することが難しくなる。
符号付きリンク予測のためのターゲットエッジ構造主キャリブレーションフレームワークであるPASC(Polarity-Asymmetric Structure Calibration)を提案する。
PASCは構造のみの事前表現を構築し、ターゲットエッジの構造的事前スコアを推定し、このスコアと局所的な署名付きコンテキストキューを比較して競合残差を導出する。
残留キャラブラートはアテンションアグリゲーション、ターゲットエッジゲート融合、レギュラー適応最適化に署名した。
5つの実世界の署名されたネットワークデータセットの実験により、PASCは、競合するAUC、Binary-F1、Micro-F1とともに、代表ベースラインの中で最高のマクロF1を一貫して達成している。
構造シフト実験は、より密集した近隣および局所的な閉鎖ショートカットへの依存を減らすことを示唆している。
ソースコードはhttps://github.com/iqqGGGGGGG/PASC-for-LSPで入手できる。
関連論文リスト
- PRIME: Mitigating Subgroup Optimization Competition in Shared CTR Top Networks with Plug-in Residual Input-Conditioned Mixture of Expert [16.073701450851008]
4つのモデルと4つのセマンティックフィールドを持つアバズ上での競合について検討する。
我々は,低ランクの残留専門家を混在させたPRIME(Plug-in Residual Input- Conditioned Mixture of Experts)を紹介する。
論文 参考訳（メタデータ） (2026-08-31T08:37:44Z) - Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection [15.872326009493884]
本稿では,時間グラフ上でのエッジレベルの不正検出のための共形予測フレームワークであるProtoCPを提案する。
ProtoCPは不正関連部分グラフのコンテキストに校正を集中させることで校正効率を向上させる。
ProtoCPは、最先端のベースラインよりも一貫して小さな予測セットでターゲットカバレッジを達成する。
論文 参考訳（メタデータ） (2026-08-16T14:44:16Z) - The Art of Not Forgetting [0.8875650122536798]
入力をスパースリレーショナルコードとして表現するアーキテクチャであるCMPを導入し、それらを2層競合メモリに格納し、ローカルで勾配のない更新を通じて完全に学習し、ネットワークのどこにもバックプロパゲーションを含まない。
破滅的な忘れは、通常、リプレイや正規化でパッチを当てられるトレーニング時の欠陥として扱われるが、代わりにバックプロパゲーションがクレジットを割り当てる方法の構造的な結果であり、建設によって局所的でスパースな学習規則はパッチなしでそれに耐えるべきである、という、特定の仮説をテストするためにこのアーキテクチャを使用します。
論文 参考訳（メタデータ） (2026-07-20T13:42:55Z) - Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。
モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文 参考訳（メタデータ） (2026-05-16T12:01:04Z) - Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
GTSA-PCAは主成分分析の幾何学的拡張である。
曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。
以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
論文 参考訳（メタデータ） (2026-04-20T20:36:36Z) - Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
フローマッチングは、生成モデリングの強力なフレームワークとして登場した。
速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。
信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
論文 参考訳（メタデータ） (2026-02-11T02:02:30Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。
本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。
我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-27T22:31:24Z) - A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
署名されたグラフの枠組みに基づく統一的な理論的視点を示す。
既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。
本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
論文 参考訳（メタデータ） (2025-02-17T03:25:36Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - CSNE: Conditional Signed Network Embedding [77.54225346953069]
署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。
サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。
条件付き符号付きネットワーク埋め込み(CSNE)を導入する。
我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
論文 参考訳（メタデータ） (2020-05-19T19:14:52Z)
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。