Signed Graph Attention Networks

Graph- oder Netzwerkdaten sind im echten Leben weit verbreitet, einschließlich sozialer Netzwerke, Informationsnetzwerke, Verkehrsnetzwerke, biologischer Netzwerke und verschiedener technischer Netzwerke. Die nicht-euklidische Natur von Graphdaten stellt eine Herausforderung für das Modellieren und Analysieren dieser Daten dar. Kürzlich wurden Graph Neural Networks (GNNs) als allgemeines und leistungsfähiges Framework vorgeschlagen, um Aufgaben mit Graphdaten zu bearbeiten, wie zum Beispiel Knoteneinbettungen, Link-Vorhersage und Knotenklassifikation. Als repräsentative Implementierung von GNNs haben sich Graph Attention Networks (GATs) erfolgreich in einer Vielzahl von Aufgaben auf realen Datensätzen bewährt. Allerdings ist GAT nur für Netzwerke mit positiven Links konzipiert und kann signierte Netzwerke, die sowohl positive als auch negative Links enthalten, nicht verarbeiten. In dieser Arbeit schlagen wir Signed Graph Attention Networks (SiGATs) vor, die GAT auf signierte Netzwerke erweitern. SiGAT integriert Graph-Motifs in GAT, um zwei bekannte Theorien der signierten Netzwerkforschung abzubilden: die Balance-Theorie und die Status-Theorie. In SiGAT bieten Motifs uns ein flexibles strukturelles Muster zur Aggregation und Weitergabe von Nachrichten im signierten Netzwerk zur Generierung von Knoteneinbettungen. Wir evaluieren die vorgeschlagene SiGAT-Methode durch ihre Anwendung auf die Aufgabe der Vorhersage signierter Links. Experimentelle Ergebnisse an drei realen Datensätzen zeigen, dass SiGAT featurebasierte Methoden, Netzwerkineinbettungsverfahren und den neuesten GNN-basierten Ansätzen wie dem signed graph convolutional network (SGCN) überlegen ist.